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

Su fuerte es Coding (#24 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.99 contra 9.30). Cuesta $3.02 por cada 1.000 llamadas.

Nota de calidad8.20/10#53 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$3.02el 49º más caro de 97

Al mes, uso típico$4.5350 llamadas por día, todos los días

Velocidad52 tok/s81.3 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.1/10

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 9.30 (+0.23 vs mediana)

Contenido 8.17 (-0.21 vs mediana)

Razonamiento 8.20 (+0.24 vs mediana)

Agentes 7.99 (+0.44 vs mediana)

Medido con 164 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 7.07. 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) — 8.64 (+1.57 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.47 (+1.40 contra su media). Decide: leer datos de una imagen
Generación de código (Python, SQL, debug) — 8.05 (+0.98 contra su media). Decide: escribir código que corre
Verificar un dato contra su fuente — 8.05 (+0.98 contra su media). Decide: decidir si una fuente respalda una afirmación

Donde se cae

Resistencia a prompt injection — 2.40 (-4.67 contra su media). Decide: resistir una fuga de datos
Integridad de idioma (no mezclar idiomas) — 3.11 (-3.96 contra su media). Decide: no meter otro idioma en medio del texto
Noticias + SEO (artículos completos) — 4.96 (-2.11 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 6.18 (-0.89 contra su media). Decide: llamar bien las funciones

Si Qwen 3.6 Plus no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 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 3.6 Plus 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	164
Tool calling	7.95
Resistencia a prompt injection	1.15
Precio
Precio por millón · entrada	$0.325
Precio por millón · salida	$1.95
Rendimiento y límites
Latencia total media	81.3 s
Ventana de contexto	1.000.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Qwen 3.6 Plus 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 Plus Este modelo	8.20	$3.02
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 4% más y además es más barato: $0.930 contra $3.02. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 3% más (8.48 contra 8.20) y cuesta 13 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 Plus 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)	12.785	39.195	48.993 (piso)
Razonamiento profundo (matemática. Fermi)	4.229	12.334	15.417 (piso)
Creatividad (hooks. analogías. narrativa)	4.344	8.802	11.002 (piso)
Generación de código (Python. SQL. debug)	5.474	8.122	10.152
Razonamiento general (lógica. decisiones)	6.601	7.018	8.772
OCR / extracción desde imágenes	4.976	6.857	8.571
Decisiones de negocio (prioridades. plan)	3.126	6.640	8.300
Estrategia (pricing. planificación)	4.610	6.279	7.848
Noticias + SEO (artículos completos)	4.944	6.225	7.781
Gestión de tareas (action items. planes)	4.320	6.143	7.678
Presentaciones (slides. reportes)	5.594	5.594	6.992
Capacidades de agente (delegación. skills)	1.061	5.040	6.300
Contenido startup (newsletter. actualidad)	4.670	5.028	6.285
JSON estructurado (extracción. schemas)	2.827	4.620	5.775
Auditar números (detectar el error plantado)	2.664	4.277	5.346
Orquestación (flujos de varios pasos)	2.186	4.222	5.277
Traducción (es↔en)	3.612	4.136	5.170
Ventas en frío (cold email. campañas)	3.082	4.046	5.057
Contenido genérico (blog. email. social)	1.897	3.544	4.430
Contenido con datos verificables (no inventar)	2.228	3.449	4.311
Multi-turno (debugging. requisitos)	2.321	3.114	3.892
Tool calling (llamada de funciones)	1.014	2.650	3.312
Anti-alucinación (citas. contexto)	1.621	2.620	3.275
Seguir instrucciones al pie de la letra	2.305	2.449	3.061
Soporte al cliente (clasificar y responder)	1.123	2.334	2.917
Resúmenes y extracción de datos	2.214	2.214	2.767
Integridad de idioma (no mezclar idiomas)	2.050	2.050	2.562
Verificar un dato contra su fuente	883	1.535	1.918
Resistencia a prompt injection	551	1.486	1.857
No inventar herramientas (abstenerse cuando no hay)	557	1.298	1.622
Precisión literal (hex. JWT. configs)	477	1.148	1.435

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 Plus

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

Ir a la calculadora →