DeepSeek V3: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#36 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.87 contra 9.14). Está en el tercio más barato del ranking: $0.681 por cada 1.000 llamadas.

Nota de calidad8.29/10#30 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.681más barato que 73 de 97

Al mes, uso típico$1.0250 llamadas por día, todos los días

Velocidad32 tok/s29.6 s de espera media

⬡ Open source · MIT ⚒ Puede usar herramientas ⛨ 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 9.14 (+0.07 vs mediana)

Contenido 8.32 (-0.05 vs mediana)

Razonamiento 8.13 (+0.18 vs mediana)

Agentes 7.87 (+0.33 vs mediana)

Medido con 154 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.35. 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) — 8.71 (+1.36 contra su media). Decide: emitir JSON válido a la primera
Gestión de tareas (action items, planes) — 8.54 (+1.19 contra su media). Decide: convertir una conversación en tareas
Razonamiento general (lógica, decisiones) — 8.52 (+1.17 contra su media). Decide: razonar con varias piezas a la vez
Integridad de idioma (no mezclar idiomas) — 8.49 (+1.14 contra su media). Decide: no meter otro idioma en medio del texto

Donde se cae

Resistencia a prompt injection — 2.25 (-5.10 contra su media). Decide: resistir una fuga de datos
Tool calling (llamada de funciones) — 6.07 (-1.28 contra su media). Decide: llamar bien las funciones
Capacidades de agente (delegación, skills) — 6.08 (-1.27 contra su media). Decide: delegar y usar lo que tiene a mano
Soporte al cliente (clasificar y responder) — 6.47 (-0.88 contra su media). Decide: clasificar y responder un ticket

Si DeepSeek V3 no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Poolside Laguna XS 2.1 Más barato, calidad equivalente	8.26	$0.198	9.7 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: DeepSeek V3 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	154
Tool calling	5.96
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.269
Precio por millón · salida	$0.400
Rendimiento y límites
Latencia total media	29.6 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a DeepSeek V3 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
DeepSeek V3 Este modelo	8.29	$0.681
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 3% más (8.52 contra 8.29) y cuesta 1 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 2% más (8.48 contra 8.29) y cuesta 57 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, DeepSeek V3 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)	2.929	12.949	16.186 (piso)
Razonamiento profundo (matemática. Fermi)	1.526	2.048	2.560
Noticias + SEO (artículos completos)	1.664	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	1.891	2.048	2.560
Contenido startup (newsletter. actualidad)	1.568	2.048	2.560
Estrategia (pricing. planificación)	1.598	1.878	2.347
Generación de código (Python. SQL. debug)	1.288	1.847	2.308
Decisiones de negocio (prioridades. plan)	1.084	1.512	1.890
Auditar números (detectar el error plantado)	750	1.492	1.865
Integridad de idioma (no mezclar idiomas)	927	1.457	1.821
Gestión de tareas (action items. planes)	1.065	1.450	1.812
Ventas en frío (cold email. campañas)	422	1.277	1.596
Creatividad (hooks. analogías. narrativa)	615	1.275	1.593
JSON estructurado (extracción. schemas)	111	1.147	1.433
OCR / extracción desde imágenes	336	988	1.235
Contenido genérico (blog. email. social)	770	952	1.190
Orquestación (flujos de varios pasos)	430	829	1.036
Contenido con datos verificables (no inventar)	261	797	996
Anti-alucinación (citas. contexto)	183	658	822
Multi-turno (debugging. requisitos)	592	652	815
Traducción (es↔en)	126	566	707
Capacidades de agente (delegación. skills)	311	412	515
Seguir instrucciones al pie de la letra	216	407	508
No inventar herramientas (abstenerse cuando no hay)	142	334	417
Resúmenes y extracción de datos	330	330	412
Soporte al cliente (clasificar y responder)	111	267	333
Tool calling (llamada de funciones)	113	214	267
Precisión literal (hex. JWT. configs)	43	198	247
Verificar un dato contra su fuente	51	64	80
Resistencia a prompt injection	22	48	60

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 DeepSeek V3

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 DeepSeek V3 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →