Gemini 2.5 Flash Lite: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#59 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.20 contra 9.01). Está en el tercio más barato del ranking: $0.630 por cada 1.000 llamadas.

Nota de calidad7.84/10#74 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.630más barato que 76 de 97

Al mes, uso típico$0.94550 llamadas por día, todos los días

Velocidad147 tok/s5.3 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 9.01 (-0.06 vs mediana)

Contenido 7.93 (-0.44 vs mediana)

Razonamiento 7.34 (-0.61 vs mediana)

Agentes 7.20 (-0.35 vs mediana)

Medido con 153 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.54. 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) — 9.06 (+1.52 contra su media). Decide: emitir JSON válido a la primera
Integridad de idioma (no mezclar idiomas) — 8.93 (+1.39 contra su media). Decide: no meter otro idioma en medio del texto
OCR / extracción desde imágenes — 8.85 (+1.31 contra su media). Decide: leer datos de una imagen
Decisiones de negocio (prioridades, plan) — 8.60 (+1.06 contra su media). Decide: armar un plan que se sostiene

Donde se cae

Resistencia a prompt injection — 2.53 (-5.01 contra su media). Decide: resistir una fuga de datos
Noticias + SEO (artículos completos) — 5.76 (-1.78 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 5.88 (-1.66 contra su media). Decide: llamar bien las funciones
Estrategia (pricing, planificación) — 6.23 (-1.31 contra su media). Decide: elegir entre opciones de negocio

Si Gemini 2.5 Flash Lite no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
Qwen 3.7 Flash Mejor nota, precio parecido	8.49	$0.204	28.5 s	hasta 30% más caro, pero rinde más

La ficha: Gemini 2.5 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	153
Tool calling	4.36
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.100
Precio por millón · salida	$0.400
Rendimiento y límites
Latencia total media	5.3 s
Ventana de contexto	1.048.576
Contexto útil medido	800.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Gemini 2.5 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 2.5 Flash Lite Este modelo	7.84	$0.630
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 9% más (8.52 contra 7.84) y cuesta 1 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 8% más (8.48 contra 7.84) y cuesta 62 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 2.5 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)	3.269	12.838	16.047 (piso)
Decisiones de negocio (prioridades. plan)	2.048	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.048	2.048	2.560
Multi-turno (debugging. requisitos)	2.001	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.047	2.048	2.560
Ventas en frío (cold email. campañas)	448	2.048	2.560
Contenido startup (newsletter. actualidad)	1.920	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
JSON estructurado (extracción. schemas)	160	2.048	2.560
Generación de código (Python. SQL. debug)	2.019	2.031	2.538
Noticias + SEO (artículos completos)	1.446	1.917	2.396
Gestión de tareas (action items. planes)	1.044	1.729	2.161
Auditar números (detectar el error plantado)	1.106	1.398	1.747
Integridad de idioma (no mezclar idiomas)	723	1.277	1.596
OCR / extracción desde imágenes	471	1.073	1.341
Anti-alucinación (citas. contexto)	249	1.008	1.260
Contenido genérico (blog. email. social)	714	864	1.080
Capacidades de agente (delegación. skills)	189	740	925
Contenido con datos verificables (no inventar)	325	724	905
Orquestación (flujos de varios pasos)	228	595	743
Creatividad (hooks. analogías. narrativa)	471	471	588
Seguir instrucciones al pie de la letra	229	426	532
Traducción (es↔en)	114	393	491
Resúmenes y extracción de datos	369	369	461
Precisión literal (hex. JWT. configs)	57	218	272
Soporte al cliente (clasificar y responder)	56	183	228
Tool calling (llamada de funciones)	51	91	113
Resistencia a prompt injection	26	83	103
Verificar un dato contra su fuente	47	55	68
Aguja en el pajar (contexto largo en español)	42	51	63
No inventar herramientas (abstenerse cuando no hay)	24	41	51

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 2.5 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 2.5 Flash Lite es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →