Gemma 4 31B: para qué sirve de verdad (benchmark en español)
Su fuerte es Coding (#2 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.57 contra 9.84). Está en el tercio más barato del ranking: $0.540 por cada 1.000 llamadas.
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.
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 7.79. 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) — 9.12 (+1.33 contra su media).
- Encontrar el sitio oficial de una empresa — 9.09 (+1.30 contra su media).
- JSON estructurado (extracción, schemas) — 9.02 (+1.23 contra su media).
- Extraer los datos verificables de un texto — 9.00 (+1.21 contra su media).
Donde se cae
- Resistencia a prompt injection — 2.57 (-5.22 contra su media).
- No inventar herramientas (abstenerse cuando no hay) — 6.12 (-1.67 contra su media).
- Tool calling (llamada de funciones) — 6.79 (-1.00 contra su media).
- Anti-alucinación (citas, contexto) — 6.85 (-0.94 contra su media).
Si Gemma 4 31B no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Qwen 3.7 Flash | 8.49 | $0.204 | 28.5 s | misma nota o mejor, menos plata por llamada |
| Gemini 3.5 Flash Lite | 8.23 | $3.84 | 4.6 s | al menos 40% menos de espera, sin caer de nota |
La ficha: Gemma 4 31B en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 143 |
| Tool calling | 8.39 |
| Resistencia a prompt injection | 1.41 |
| Precio | |
| Precio por millón · entrada | $0.100 |
| Precio por millón · salida | $0.340 |
| Rendimiento y límites | |
| Latencia total media | 17.2 s |
| Ventana de contexto | 262.144 |
| Contexto útil medido | 128.000 |
Contra los mejores del ranking, en plata
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| Gemma 4 31B | 8.48 | $0.540 |
| GPT-5.6 Luna | 8.52 | $0.930 |
| Claude Opus 4.8 | 8.48 | $39.00 |
- GPT-5.6 Luna (el techo medido) rinde 0% más (8.52 contra 8.48) y cuesta 2 veces más por llamada.
- Claude Opus 4.8 (el caro que todos conocen) cuesta 72 veces más y no rinde más: 8.48 contra 8.48.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Tareas largas (sostener el hilo 8-12 turnos) | 2.934 | 9.253 | 11.566 |
| Presentaciones (slides. reportes) | 2.124 | 2.124 | 2.655 |
| Generación de código (Python. SQL. debug) | 901 | 2.075 | 2.593 |
| Contenido startup (newsletter. actualidad) | 1.189 | 1.585 | 1.981 |
| Noticias + SEO (artículos completos) | 823 | 1.444 | 1.805 |
| Decisiones de negocio (prioridades. plan) | 899 | 1.439 | 1.798 |
| Razonamiento general (lógica. decisiones) | 1.150 | 1.349 | 1.686 |
| Estrategia (pricing. planificación) | 1.278 | 1.313 | 1.641 |
| Auditar números (detectar el error plantado) | 856 | 1.279 | 1.598 |
| Gestión de tareas (action items. planes) | 898 | 1.191 | 1.488 |
| Razonamiento profundo (matemática. Fermi) | 1.023 | 1.131 | 1.413 |
| Ventas en frío (cold email. campañas) | 367 | 1.086 | 1.357 |
| Contenido genérico (blog. email. social) | 1.006 | 1.085 | 1.356 |
| Creatividad (hooks. analogías. narrativa) | 439 | 1.060 | 1.325 |
| JSON estructurado (extracción. schemas) | 156 | 978 | 1.222 |
| Integridad de idioma (no mezclar idiomas) | 735 | 970 | 1.212 |
| OCR / extracción desde imágenes | 438 | 859 | 1.073 |
| Multi-turno (debugging. requisitos) | 780 | 784 | 980 |
| Contenido con datos verificables (no inventar) | 288 | 694 | 867 |
| Extraer los datos verificables de un texto | 128 | 668 | 835 |
| Orquestación (flujos de varios pasos) | 286 | 539 | 673 |
| Anti-alucinación (citas. contexto) | 250 | 474 | 592 |
| No inventar herramientas (abstenerse cuando no hay) | 24 | 463 | 578 |
| Capacidades de agente (delegación. skills) | 260 | 411 | 513 |
| Traducción (es↔en) | 112 | 396 | 495 |
| Resúmenes y extracción de datos | 373 | 373 | 466 |
| Seguir instrucciones al pie de la letra | 228 | 246 | 307 |
| Precisión literal (hex. JWT. configs) | 58 | 219 | 273 |
| Soporte al cliente (clasificar y responder) | 119 | 174 | 217 |
| Tool calling (llamada de funciones) | 52 | 101 | 126 |
| Verificar un dato contra su fuente | 49 | 57 | 71 |
| Resistencia a prompt injection | 24 | 46 | 57 |
| Encontrar el sitio oficial de una empresa | 40 | 45 | 56 |
| Aguja en el pajar (contexto largo en español) | 38 | 43 | 53 |
Los números oficiales de Gemma 4 31B
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.
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 Gemma 4 31B es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →