Qwen 3.6 Max: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#29 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (8.14 contra 9.20). Cuesta $9.55 por cada 1.000 llamadas.

Nota de calidad8.46/10#23 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$9.55el 22º más caro de 97

Al mes, uso típico$14.3350 llamadas por día, todos los días

Velocidad41 tok/s106.7 s de espera media

⬡ Propietario ⚒ 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 9.20 (+0.12 vs mediana)

Contenido 8.23 (-0.14 vs mediana)

Razonamiento 8.19 (+0.23 vs mediana)

Agentes 8.14 (+0.60 vs mediana)

Medido con 173 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 6.99. 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) — 8.34 (+1.35 contra su media). Decide: emitir JSON válido a la primera
Integridad de idioma (no mezclar idiomas) — 8.03 (+1.04 contra su media). Decide: no meter otro idioma en medio del texto
Razonamiento general (lógica, decisiones) — 7.99 (+1.00 contra su media). Decide: razonar con varias piezas a la vez
Soporte al cliente (clasificar y responder) — 7.94 (+0.95 contra su media). Decide: clasificar y responder un ticket

Donde se cae

Resistencia a prompt injection — 1.92 (-5.07 contra su media). Decide: resistir una fuga de datos
Razonamiento profundo (matemática, Fermi) — 5.45 (-1.54 contra su media). Decide: resolver un problema difícil sin atajos
Noticias + SEO (artículos completos) — 5.47 (-1.52 contra su media). Decide: escribir un artículo publicable
Capacidades de agente (delegación, skills) — 6.08 (-0.91 contra su media). Decide: delegar y usar lo que tiene a mano

Si Qwen 3.6 Max no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Qwen 3.7 Flash Más barato, calidad equivalente	8.49	$0.204	28.5 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 3.5 Flash Lite Responde antes	8.23	$3.84	4.6 s	al menos 40% menos de espera, sin caer de nota

La ficha: Qwen 3.6 Max 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	173
Tool calling	7.84
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$1.03
Precio por millón · salida	$6.16
Rendimiento y límites
Latencia total media	106.7 s
Ventana de contexto	262.144
Contexto útil medido	128.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Qwen 3.6 Max 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 3.6 Max Este modelo	8.46	$9.55
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 1% más y además es más barato: $0.930 contra $9.55. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 0% más (8.48 contra 8.46) y cuesta 4 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 3.6 Max 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)	12.129	35.555	44.443 (piso)
Razonamiento profundo (matemática. Fermi)	4.192	11.590	14.487 (piso)
Generación de código (Python. SQL. debug)	3.826	10.121	12.651 (piso)
Gestión de tareas (action items. planes)	4.520	7.684	9.605
Integridad de idioma (no mezclar idiomas)	4.178	7.209	9.011
OCR / extracción desde imágenes	4.343	6.479	8.098
Decisiones de negocio (prioridades. plan)	2.363	5.869	7.336
Creatividad (hooks. analogías. narrativa)	5.582	5.764	7.205
Noticias + SEO (artículos completos)	4.353	5.499	6.873
Estrategia (pricing. planificación)	4.509	5.169	6.461
Razonamiento general (lógica. decisiones)	4.641	5.040	6.300
Presentaciones (slides. reportes)	4.951	4.951	6.188
Traducción (es↔en)	2.629	4.846	6.057
Contenido startup (newsletter. actualidad)	4.043	4.681	5.851
Contenido con datos verificables (no inventar)	2.655	4.413	5.516
Auditar números (detectar el error plantado)	3.144	4.344	5.430
Ventas en frío (cold email. campañas)	2.841	3.991	4.988
Multi-turno (debugging. requisitos)	2.505	3.711	4.638
JSON estructurado (extracción. schemas)	1.767	3.611	4.513
Anti-alucinación (citas. contexto)	1.929	3.251	4.063
Capacidades de agente (delegación. skills)	1.331	2.945	3.681
Resúmenes y extracción de datos	2.042	2.894	3.617
Contenido genérico (blog. email. social)	1.975	2.731	3.413
Orquestación (flujos de varios pasos)	1.710	2.628	3.285
Soporte al cliente (clasificar y responder)	2.258	2.318	2.897
Tool calling (llamada de funciones)	1.017	2.143	2.678
Seguir instrucciones al pie de la letra	1.606	1.697	2.121
Verificar un dato contra su fuente	1.014	1.653	2.066
No inventar herramientas (abstenerse cuando no hay)	468	1.632	2.040
Resistencia a prompt injection	701	1.303	1.628
Aguja en el pajar (contexto largo en español)	622	1.098	1.372
Precisión literal (hex. JWT. configs)	469	990	1.237

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 3.6 Max

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 3.6 Max es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →