Nex-N2-Mini: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#17 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.35 contra 9.60). Está en el tercio más barato del ranking: $0.158 por cada 1.000 llamadas.

Nota de calidad8.13/10#32 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.158más barato que 94 de 97

Al mes, uso típico$0.23750 llamadas por día, todos los días

Velocidad153 tok/s17.1 s de espera media

⬡ Open source ⚒ Puede usar herramientas ⌸ Le caben ~440 páginas a la vez ⛨ Cae ante instrucciones ocultas · 6.8/10

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 9.60 (+0.52 vs mediana)

Contenido 8.52 (+0.14 vs mediana)

Razonamiento 7.73 (-0.22 vs mediana)

Agentes 7.35 (-0.20 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 32 tareas medidas es 7.85. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Precisión literal (hex, JWT, configs) — 9.40 (+1.55 contra su media). Decide: no equivocarse en un dato
JSON estructurado (extracción, schemas) — 9.27 (+1.42 contra su media). Decide: emitir JSON válido a la primera
Aguja en el pajar (contexto largo en español) — 8.89 (+1.04 contra su media). Decide: encontrar un dato dentro de un contexto enorme
OCR / extracción desde imágenes — 8.72 (+0.87 contra su media). Decide: leer datos de una imagen

Donde se cae

Capacidades de agente (delegación, skills) — 5.46 (-2.39 contra su media). Decide: delegar y usar lo que tiene a mano
Tool calling (llamada de funciones) — 6.15 (-1.70 contra su media). Decide: llamar bien las funciones
No inventar herramientas (abstenerse cuando no hay) — 6.98 (-0.87 contra su media). Decide: no inventar herramientas que no existen
Noticias + SEO (artículos completos) — 7.04 (-0.81 contra su media). Decide: escribir un artículo publicable

Si Nex-N2-Mini 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
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: Nex-N2-Mini 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	6.42
Resistencia a prompt injection	6.85
Precio
Precio por millón · entrada	$0.025
Precio por millón · salida	$0.100
Rendimiento y límites
Latencia total media	17.1 s
Ventana de contexto	262.144
Contexto útil medido	128.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Nex-N2-Mini 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
Nex-N2-Mini Este modelo	8.13	$0.158
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 (8.52 contra 8.13) y cuesta 6 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 4% más (8.48 contra 8.13) y cuesta 247 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, Nex-N2-Mini 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)	12.771	28.261	35.326 (piso)
Auditar números (detectar el error plantado)	4.850	8.192	10.240 (piso)
Decisiones de negocio (prioridades. plan)	8.192	8.192	10.240 (piso)
Generación de código (Python. SQL. debug)	5.564	8.192	10.240 (piso)
Creatividad (hooks. analogías. narrativa)	2.128	8.192	10.240 (piso)
Razonamiento profundo (matemática. Fermi)	7.584	8.192	10.240 (piso)
Anti-alucinación (citas. contexto)	1.309	8.192	10.240 (piso)
OCR / extracción desde imágenes	5.272	8.192	10.240 (piso)
Razonamiento general (lógica. decisiones)	8.192	8.192	10.240 (piso)
Contenido startup (newsletter. actualidad)	4.636	8.192	10.240 (piso)
Estrategia (pricing. planificación)	7.106	8.192	10.240 (piso)
Gestión de tareas (action items. planes)	7.004	8.192	10.240 (piso)
Multi-turno (debugging. requisitos)	4.436	7.830	9.787
Ventas en frío (cold email. campañas)	750	7.556	9.445
Noticias + SEO (artículos completos)	2.909	6.190	7.737
Presentaciones (slides. reportes)	5.419	5.419	6.773
Traducción (es↔en)	108	4.129	5.161
Contenido con datos verificables (no inventar)	1.704	3.642	4.552
Contenido genérico (blog. email. social)	916	2.617	3.271
Resistencia a prompt injection	282	2.545	3.181
JSON estructurado (extracción. schemas)	230	2.262	2.827
Integridad de idioma (no mezclar idiomas)	1.846	2.239	2.798
Seguir instrucciones al pie de la letra	789	1.437	1.796
Orquestación (flujos de varios pasos)	603	860	1.075
Resúmenes y extracción de datos	531	531	663
Verificar un dato contra su fuente	41	490	612
Soporte al cliente (clasificar y responder)	99	399	498
Capacidades de agente (delegación. skills)	150	387	483
Precisión literal (hex. JWT. configs)	61	349	436
Aguja en el pajar (contexto largo en español)	119	210	262
Tool calling (llamada de funciones)	175	201	251
No inventar herramientas (abstenerse cuando no hay)	83	122	152

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 Nex-N2-Mini

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.

Pesos y tarjeta oficial del modelo — ahí están los benchmarks del fabricante, la licencia y cómo correrlo
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 Nex-N2-Mini es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →