Qwen 3-Next 80B Instruct: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#39 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.25 contra 9.12). Cuesta $1.68 por cada 1.000 llamadas.

Nota de calidad8.01/10#55 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$1.68más barato que 60 de 97

Al mes, uso típico$2.5250 llamadas por día, todos los días

Velocidad107 tok/s10.0 s de espera media

⬡ Open source · Apache 2.0 ⚒ Puede usar herramientas ⌸ Le caben ~440 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 9.12 (+0.04 vs mediana)

Contenido 8.19 (-0.19 vs mediana)

Razonamiento 8.02 (+0.07 vs mediana)

Agentes 7.25 (-0.29 vs mediana)

Medido con 157 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 7.60. 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) — 9.21 (+1.61 contra su media). Decide: emitir JSON válido a la primera
Gestión de tareas (action items, planes) — 8.81 (+1.21 contra su media). Decide: convertir una conversación en tareas
OCR / extracción desde imágenes — 8.77 (+1.17 contra su media). Decide: leer datos de una imagen
Presentaciones (slides, reportes) — 8.72 (+1.12 contra su media). Decide: estructurar una presentación

Donde se cae

Resistencia a prompt injection — 2.52 (-5.08 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 6.09 (-1.51 contra su media). Decide: coordinar un flujo de varios pasos
Auditar números (detectar el error plantado) — 6.33 (-1.27 contra su media). Decide: encontrar el error en un número
Noticias + SEO (artículos completos) — 6.40 (-1.20 contra su media). Decide: escribir un artículo publicable

Si Qwen 3-Next 80B Instruct 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: Qwen 3-Next 80B Instruct 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	157
Tool calling	6.20
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.090
Precio por millón · salida	$1.10
Rendimiento y límites
Latencia total media	10.0 s
Ventana de contexto	262.144

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Qwen 3-Next 80B Instruct 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
Qwen 3-Next 80B Instruct Este modelo	8.01	$1.68
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 6% más y además es más barato: $0.930 contra $1.68. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 6% más (8.48 contra 8.01) y cuesta 23 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, Qwen 3-Next 80B Instruct 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)	5.192	15.840	19.800 (piso)
Auditar números (detectar el error plantado)	1.409	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.589	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.048	2.048	2.560
Noticias + SEO (artículos completos)	1.113	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	171	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	2.031	2.048	2.560
Multi-turno (debugging. requisitos)	1.287	1.718	2.147
Generación de código (Python. SQL. debug)	1.161	1.686	2.107
Creatividad (hooks. analogías. narrativa)	706	1.584	1.980
Anti-alucinación (citas. contexto)	222	1.438	1.797
Integridad de idioma (no mezclar idiomas)	790	1.329	1.661
JSON estructurado (extracción. schemas)	103	999	1.248
Contenido genérico (blog. email. social)	806	919	1.148
OCR / extracción desde imágenes	442	885	1.106
Capacidades de agente (delegación. skills)	390	847	1.058
Contenido con datos verificables (no inventar)	355	723	903
Seguir instrucciones al pie de la letra	408	658	822
No inventar herramientas (abstenerse cuando no hay)	48	589	736
Traducción (es↔en)	130	401	501
Resúmenes y extracción de datos	353	353	441
Orquestación (flujos de varios pasos)	196	339	423
Precisión literal (hex. JWT. configs)	57	209	261
Soporte al cliente (clasificar y responder)	141	143	178
Tool calling (llamada de funciones)	106	136	170
Verificar un dato contra su fuente	59	75	93
Resistencia a prompt injection	18	37	46

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 Qwen 3-Next 80B Instruct

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 Qwen 3-Next 80B Instruct es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →