Step 3.5 Flash: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#9 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.37 contra 9.72). Está en el tercio más barato del ranking: $0.480 por cada 1.000 llamadas.

Nota de calidad8.03/10#64 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.480más barato que 81 de 97

Al mes, uso típico$0.72050 llamadas por día, todos los días

Velocidad58 tok/s31.2 s de espera media

⬡ Open source · Apache 2.0 ⚒ 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 9.72 (+0.65 vs mediana)

Contenido 8.45 (+0.07 vs mediana)

Razonamiento 7.69 (-0.26 vs mediana)

Agentes 7.37 (-0.17 vs mediana)

Medido con 1140 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 7.37. 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) — 8.95 (+1.58 contra su media). Decide: no equivocarse en un dato
Encontrar el sitio oficial de una empresa — 8.85 (+1.48 contra su media). Decide: elegir el dominio real, o abstenerse
Contenido startup (newsletter, actualidad) — 8.54 (+1.17 contra su media). Decide: escribir para una audiencia de negocio
Contenido genérico (blog, email, social) — 8.50 (+1.13 contra su media). Decide: escribir un texto correcto

Donde se cae

Resistencia a prompt injection — 2.58 (-4.79 contra su media). Decide: resistir una fuga de datos
Noticias + SEO (artículos completos) — 5.39 (-1.98 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 5.55 (-1.82 contra su media). Decide: llamar bien las funciones
No inventar herramientas (abstenerse cuando no hay) — 6.58 (-0.79 contra su media). Decide: no inventar herramientas que no existen

Si Step 3.5 Flash 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: Step 3.5 Flash 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	1140
Tool calling	6.74
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.100
Precio por millón · salida	$0.300
Rendimiento y límites
Latencia total media	31.2 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Step 3.5 Flash 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
Step 3.5 Flash Este modelo	8.03	$0.480
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 (8.52 contra 8.03) y cuesta 2 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 6% más (8.48 contra 8.03) y cuesta 81 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, Step 3.5 Flash 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)	6.942	24.971	31.213 (piso)
OCR / extracción desde imágenes	1.806	13.138	16.422 (piso)
Estrategia (pricing. planificación)	3.781	11.866	14.832 (piso)
Traducción (es↔en)	1.052	6.540	8.175
Ventas en frío (cold email. campañas)	576	4.751	5.938
Multi-turno (debugging. requisitos)	1.420	2.713	3.391
Orquestación (flujos de varios pasos)	609	2.704	3.380
Integridad de idioma (no mezclar idiomas)	1.444	2.426	3.032
Auditar números (detectar el error plantado)	1.822	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.729	2.048	2.560
Generación de código (Python. SQL. debug)	1.723	2.048	2.560
Creatividad (hooks. analogías. narrativa)	874	2.048	2.560
Razonamiento profundo (matemática. Fermi)	1.607	2.048	2.560
Noticias + SEO (artículos completos)	1.817	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Contenido startup (newsletter. actualidad)	1.451	2.048	2.560
JSON estructurado (extracción. schemas)	641	2.048	2.560
Gestión de tareas (action items. planes)	747	2.048	2.560
Resúmenes y extracción de datos	2.041	2.041	2.551
Capacidades de agente (delegación. skills)	658	1.854	2.317
Verificar un dato contra su fuente	554	1.685	2.106
Contenido con datos verificables (no inventar)	725	1.561	1.951
Anti-alucinación (citas. contexto)	1.290	1.426	1.782
Contenido genérico (blog. email. social)	1.175	1.329	1.661
Seguir instrucciones al pie de la letra	762	1.004	1.255
Precisión literal (hex. JWT. configs)	394	926	1.157
Encontrar el sitio oficial de una empresa	719	834	1.042
Tool calling (llamada de funciones)	366	654	817
No inventar herramientas (abstenerse cuando no hay)	228	573	716
Soporte al cliente (clasificar y responder)	528	539	673
Resistencia a prompt injection	282	496	620

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 Step 3.5 Flash

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 Step 3.5 Flash es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →