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

Lo mejor que tiene es Coding, y aun así queda abajo (#71 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.40 contra 8.80). Cuesta $3.84 por cada 1.000 llamadas.

Nota de calidad8.08/10#49 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

Velocidad104 tok/s11.7 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.1/10

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 8.80 (-0.28 vs mediana)

Contenido 8.34 (-0.04 vs mediana)

Razonamiento 7.40 (-0.56 vs mediana)

Agentes 7.93 (+0.39 vs mediana)

Medido con 162 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 7.59. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Encontrar el sitio oficial de una empresa — 9.12 (+1.53 contra su media). Decide: elegir el dominio real, o abstenerse
JSON estructurado (extracción, schemas) — 8.95 (+1.36 contra su media). Decide: emitir JSON válido a la primera
Verificar VARIOS datos de una vez (lote) — 8.79 (+1.20 contra su media). Decide: devolver un juicio por cada dato, no solo por los primeros
Integridad de idioma (no mezclar idiomas) — 8.66 (+1.07 contra su media). Decide: no meter otro idioma en medio del texto

Donde se cae

Resistencia a prompt injection — 2.49 (-5.10 contra su media). Decide: resistir una fuga de datos
Estrategia (pricing, planificación) — 5.98 (-1.61 contra su media). Decide: elegir entre opciones de negocio
Auditar números (detectar el error plantado) — 6.28 (-1.31 contra su media). Decide: encontrar el error en un número
No inventar herramientas (abstenerse cuando no hay) — 6.36 (-1.23 contra su media). Decide: no inventar herramientas que no existen

Si Gemini 2.5 Flash 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
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Gemini 2.5 Flash 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	162
Tool calling	5.18
Resistencia a prompt injection	1.07
Precio
Precio por millón · entrada	$0.300
Precio por millón · salida	$2.50
Rendimiento y límites
Latencia total media	11.7 s
Ventana de contexto	1.048.576

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Gemini 2.5 Flash 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 Este modelo	8.08	$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 5% 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 5% más (8.48 contra 8.08) 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 2.5 Flash 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)	4.895	16.313	20.391 (piso)
Noticias + SEO (artículos completos)	1.105	2.056	2.570
Estrategia (pricing. planificación)	2.051	2.055	2.568
Creatividad (hooks. analogías. narrativa)	573	2.051	2.563
Contenido startup (newsletter. actualidad)	2.027	2.051	2.563
Auditar números (detectar el error plantado)	1.811	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.953	2.048	2.560
Presentaciones (slides. reportes)	2.046	2.046	2.557
Razonamiento general (lógica. decisiones)	2.038	2.046	2.557
Ventas en frío (cold email. campañas)	559	2.045	2.556
Razonamiento profundo (matemática. Fermi)	2.038	2.042	2.552
Multi-turno (debugging. requisitos)	1.260	2.042	2.552
Generación de código (Python. SQL. debug)	2.013	2.035	2.543
JSON estructurado (extracción. schemas)	151	1.970	2.462
Gestión de tareas (action items. planes)	200	1.683	2.103
Integridad de idioma (no mezclar idiomas)	920	1.413	1.766
Anti-alucinación (citas. contexto)	242	1.279	1.598
Contenido genérico (blog. email. social)	765	1.156	1.445
Verificar VARIOS datos de una vez (lote)	635	1.071	1.338
OCR / extracción desde imágenes	422	938	1.172
Orquestación (flujos de varios pasos)	194	727	908
Contenido con datos verificables (no inventar)	219	700	875
Capacidades de agente (delegación. skills)	225	499	623
Traducción (es↔en)	105	403	503
Seguir instrucciones al pie de la letra	343	392	490
Resúmenes y extracción de datos	366	366	457
Extraer los datos verificables de un texto	95	352	440
Precisión literal (hex. JWT. configs)	57	218	272
Tool calling (llamada de funciones)	92	110	137
Soporte al cliente (clasificar y responder)	53	90	112
Verificar un dato contra su fuente	58	85	106
Encontrar el sitio oficial de una empresa	52	64	80
No inventar herramientas (abstenerse cuando no hay)	21	49	61
Resistencia a prompt injection	26	36	45

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

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

Ir a la calculadora →