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

Lo mejor que tiene es Contenido, y aun así queda abajo (#69 de 80 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (6.92 contra 8.07). Cuesta $1.84 por cada 1.000 llamadas.

Medido con 152 runs que puntúan, juez Phi-4 local. Última actualización: 2026-08-17 · datos abiertos

Puesto global#74 de 80mejor que el 8% de los rankeados

Índice de calidad7.59/1076 modelos por encima

Por 1.000 llamadas$1.84más barato que 46 de 80

Velocidad154 tok/s29.7 s de espera media

⬡ Open source · Apache 2.0 ⚒ Tool calling ◈ Thinking ⌸ 262K de contexto

Dónde está parado, pilar por pilar

Cada barra va de peor a mejor del ranking, no de 0 a 10 — la población entera cabe en poco más de un punto y en escala absoluta todas se verían iguales. La marca vertical es la mediana.

Coding 7.86 (-1.17 vs mediana)

Contenido 8.07 (-0.30 vs mediana)

Razonamiento 6.92 (-1.07 vs mediana)

Agentes 7.36 (-0.18 vs mediana)

La ficha: Qwen 3-Next 80B Thinking 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	152
Tool calling	6.41
Precio
Precio por millón · entrada	$0.150
Precio por millón · salida	$1.20
Rendimiento y límites
Latencia total media	29.7 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 Thinking 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 Thinking Este modelo	7.59	$1.84
Tencent Hy3 El de más calidad medida	8.57	$0.832
Claude Opus 4.8 El frontier más caro del top 10	8.45	$39.00

Tencent Hy3 (el techo medido) rinde 13% más y además es más barato: $0.832 contra $1.84. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 11% más (8.45 contra 7.59) y cuesta 21 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 Thinking 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.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	16.722	37.125	46.406 (piso)
Razonamiento profundo (matemática. Fermi)	7.882	25.520	31.900 (piso)
Razonamiento general (lógica. decisiones)	11.750	12.630	15.787 (piso)
OCR / extracción desde imágenes	6.977	12.564	15.705 (piso)
Noticias + SEO (artículos completos)	7.301	11.243	14.053 (piso)
Orquestación (flujos de varios pasos)	3.164	10.928	13.660 (piso)
Estrategia (pricing. planificación)	6.841	10.884	13.605 (piso)
Generación de código (Python. SQL. debug)	4.836	8.347	10.433 (piso)
Contenido startup (newsletter. actualidad)	4.325	7.836	9.795
Presentaciones (slides. reportes)	7.614	7.614	9.517
Creatividad (hooks. analogías. narrativa)	7.192	7.494	9.367
Contenido con datos verificables (no inventar)	2.048	7.486	9.357
Anti-alucinación (citas. contexto)	1.174	7.008	8.760
Traducción (es↔en)	2.387	6.011	7.513
Decisiones de negocio (prioridades. plan)	2.048	5.832	7.290
Gestión de tareas (action items. planes)	2.048	5.553	6.941
Resúmenes y extracción de datos	5.341	5.341	6.676
Auditar números (detectar el error plantado)	3.930	5.271	6.588
Soporte al cliente (clasificar y responder)	2.153	4.568	5.710
Contenido genérico (blog. email. social)	2.911	4.310	5.387
Multi-turno (debugging. requisitos)	2.960	4.035	5.043
Capacidades de agente (delegación. skills)	3.413	3.939	4.923
JSON estructurado (extracción. schemas)	2.048	3.428	4.285
Ventas en frío (cold email. campañas)	2.048	3.019	3.773
Tool calling (llamada de funciones)	1.321	2.468	3.085
Precisión literal (hex. JWT. configs)	1.051	2.048	2.560
No inventar herramientas (abstenerse cuando no hay)	680	2.048	2.560
Seguir instrucciones al pie de la letra	1.743	1.790	2.237
Verificar un dato contra su fuente	449	1.674	2.092

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.

Qué hace bien y qué no

Su media entre las 29 tareas medidas es 7.16. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Ventas en frío (cold email, campañas) — 8.36 (+1.20 contra su media). Decide: escribir para vender
Verificar un dato contra su fuente — 8.32 (+1.16 contra su media). Decide: decidir si una fuente respalda una afirmación
Presentaciones (slides, reportes) — 8.29 (+1.13 contra su media). Decide: estructurar una presentación
OCR / extracción desde imágenes — 8.15 (+0.99 contra su media). Decide: leer datos de una imagen

Donde se cae

Razonamiento profundo (matemática, Fermi) — 4.97 (-2.19 contra su media). Decide: resolver un problema difícil sin atajos
Noticias + SEO (artículos completos) — 5.94 (-1.22 contra su media). Decide: escribir un artículo publicable
Estrategia (pricing, planificación) — 5.97 (-1.19 contra su media). Decide: elegir entre opciones de negocio
Multi-turno (debugging, requisitos) — 6.00 (-1.16 contra su media). Decide: no perderse en una conversación larga

Si Qwen 3-Next 80B Thinking 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	7.93	$0.101	12.2 s	misma nota o mejor, menos plata por llamada
Tencent Hy3 Mejor nota, precio parecido	8.57	$0.832	61.4 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.04	$2.33	4.2 s	al menos 40% menos de espera, sin caer de nota

Los números oficiales de Qwen 3-Next 80B Thinking

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 sabés si Qwen 3-Next 80B Thinking es tu opción o hay algo mejor para lo que hacés.

Ir a la calculadora →