Gemini 3.5 Flash Lite: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#7 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.53 contra 9.74). Cuesta $3.84 por cada 1.000 llamadas.

Nota de calidad8.23/10#8 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$3.84el 45º más caro de 97

Al mes, uso típico$5.7650 llamadas por día, todos los días

Velocidad152 tok/s4.6 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.74 (+0.66 vs mediana)

Contenido 8.33 (-0.05 vs mediana)

Razonamiento 7.95 (-0.01 vs mediana)

Agentes 7.53 (-0.01 vs mediana)

Medido con 143 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 33 tareas medidas es 7.86. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 9.33 (+1.47 contra su media). Decide: emitir JSON válido a la primera
Precisión literal (hex, JWT, configs) — 9.32 (+1.46 contra su media). Decide: no equivocarse en un dato
Encontrar el sitio oficial de una empresa — 9.24 (+1.38 contra su media). Decide: elegir el dominio real, o abstenerse
OCR / extracción desde imágenes — 8.95 (+1.09 contra su media). Decide: leer datos de una imagen

Donde se cae

Resistencia a prompt injection — 2.50 (-5.36 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 5.84 (-2.02 contra su media). Decide: coordinar un flujo de varios pasos
No inventar herramientas (abstenerse cuando no hay) — 6.55 (-1.31 contra su media). Decide: no inventar herramientas que no existen
Noticias + SEO (artículos completos) — 7.00 (-0.86 contra su media). Decide: escribir un artículo publicable

Si Gemini 3.5 Flash Lite no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más

La ficha: Gemini 3.5 Flash Lite en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	143
Tool calling	6.39
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.300
Precio por millón · salida	$2.50
Rendimiento y límites
Latencia total media	4.6 s
Ventana de contexto	1.048.576

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Gemini 3.5 Flash Lite para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Gemini 3.5 Flash Lite Este modelo	8.23	$3.84
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 4% más y además es más barato: $0.930 contra $3.84. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 3% más (8.48 contra 8.23) y cuesta 10 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Gemini 3.5 Flash Lite no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	2.984	10.025	12.531 (piso)
Generación de código (Python. SQL. debug)	827	2.044	2.555
Presentaciones (slides. reportes)	2.044	2.044	2.555
Contenido startup (newsletter. actualidad)	1.407	2.044	2.555
Razonamiento general (lógica. decisiones)	1.686	2.020	2.525
Razonamiento profundo (matemática. Fermi)	1.190	1.900	2.375
Estrategia (pricing. planificación)	1.874	1.897	2.371
Gestión de tareas (action items. planes)	1.434	1.705	2.131
Decisiones de negocio (prioridades. plan)	884	1.605	2.006
Ventas en frío (cold email. campañas)	427	1.438	1.797
Auditar números (detectar el error plantado)	876	1.422	1.777
Noticias + SEO (artículos completos)	791	1.193	1.491
Creatividad (hooks. analogías. narrativa)	613	1.183	1.478
Multi-turno (debugging. requisitos)	787	1.014	1.267
Integridad de idioma (no mezclar idiomas)	874	985	1.231
Anti-alucinación (citas. contexto)	249	892	1.115
Contenido genérico (blog. email. social)	677	803	1.003
OCR / extracción desde imágenes	426	684	855
Contenido con datos verificables (no inventar)	223	643	803
No inventar herramientas (abstenerse cuando no hay)	25	598	747
JSON estructurado (extracción. schemas)	86	596	745
Traducción (es↔en)	110	447	558
Orquestación (flujos de varios pasos)	126	440	550
Resúmenes y extracción de datos	411	411	513
Capacidades de agente (delegación. skills)	199	392	490
Seguir instrucciones al pie de la letra	252	288	360
Extraer los datos verificables de un texto	67	219	273
Precisión literal (hex. JWT. configs)	55	216	270
Soporte al cliente (clasificar y responder)	114	123	153
Tool calling (llamada de funciones)	91	113	141
Verificar un dato contra su fuente	46	64	80
Encontrar el sitio oficial de una empresa	40	44	55
Resistencia a prompt injection	26	38	47

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Gemini 3.5 Flash Lite

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Gemini 3.5 Flash Lite es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →