Qwen 3.8 27B: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#1 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.49 contra 9.95). Cuesta $4.93 por cada 1.000 llamadas.

Nota de calidad8.47/10#9 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$4.93el 33º más caro de 97

Al mes, uso típico$7.4050 llamadas por día, todos los días

Velocidad35 tok/s64.7 s de espera media

⬡ Open source · Apache 2.0 ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~440 páginas a la vez

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 9.95 (+0.88 vs mediana)

Contenido 8.38 (-0.00 vs mediana)

Razonamiento 7.49 (-0.46 vs mediana)

Agentes 7.55 (+0.00 vs mediana)

Medido con 686 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 29 tareas medidas es 7.25. 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) — 8.68 (+1.43 contra su media). Decide: no equivocarse en un dato
JSON estructurado (extracción, schemas) — 8.67 (+1.42 contra su media). Decide: emitir JSON válido a la primera
Contenido startup (newsletter, actualidad) — 7.92 (+0.67 contra su media). Decide: escribir para una audiencia de negocio
Razonamiento general (lógica, decisiones) — 7.91 (+0.66 contra su media). Decide: razonar con varias piezas a la vez

Donde se cae

Noticias + SEO (artículos completos) — 5.84 (-1.41 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 6.00 (-1.25 contra su media). Decide: llamar bien las funciones
Razonamiento profundo (matemática, Fermi) — 6.04 (-1.21 contra su media). Decide: resolver un problema difícil sin atajos
Capacidades de agente (delegación, skills) — 6.36 (-0.89 contra su media). Decide: delegar y usar lo que tiene a mano

Si Qwen 3.8 27B 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 3.8 27B 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	686
Tool calling	6.79
Precio
Precio por millón · entrada	$0.450
Precio por millón · salida	$3.20
Rendimiento y límites
Latencia total media	64.7 s
Ventana de contexto	262.144

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Qwen 3.8 27B 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 3.8 27B Este modelo	8.47	$4.93
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 $4.93. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 0% más (8.48 contra 8.47) y cuesta 8 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 3.8 27B 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)	4.096	40.863	51.078 (piso)
Estrategia (pricing. planificación)	21.132	32.768	40.960 (piso)
Razonamiento profundo (matemática. Fermi)	1.625	30.034	37.542 (piso)
Generación de código (Python. SQL. debug)	7.057	24.874	31.092 (piso)
Noticias + SEO (artículos completos)	15.586	24.576	30.720 (piso)
Gestión de tareas (action items. planes)	16.863	22.025	27.531 (piso)
Decisiones de negocio (prioridades. plan)	10.018	16.794	20.992 (piso)
Razonamiento general (lógica. decisiones)	1.753	16.465	20.581 (piso)
Contenido startup (newsletter. actualidad)	11.804	13.783	17.228 (piso)
OCR / extracción desde imágenes	771	12.940	16.175 (piso)
Auditar números (detectar el error plantado)	375	12.677	15.846 (piso)
Ventas en frío (cold email. campañas)	1.009	11.506	14.382 (piso)
Creatividad (hooks. analogías. narrativa)	1.093	10.607	13.258 (piso)
Contenido genérico (blog. email. social)	1.140	8.417	10.521 (piso)
Traducción (es↔en)	263	8.174	10.217
Contenido con datos verificables (no inventar)	4.795	8.090	10.112
Presentaciones (slides. reportes)	7.647	7.647	9.558
Anti-alucinación (citas. contexto)	1.632	5.296	6.620
JSON estructurado (extracción. schemas)	185	2.663	3.328
Multi-turno (debugging. requisitos)	1.172	1.711	2.138
Resúmenes y extracción de datos	1.703	1.703	2.128
Orquestación (flujos de varios pasos)	918	1.531	1.913
Seguir instrucciones al pie de la letra	1.276	1.435	1.793
Capacidades de agente (delegación. skills)	763	1.303	1.628
Verificar un dato contra su fuente	292	1.154	1.442
Soporte al cliente (clasificar y responder)	578	778	972
No inventar herramientas (abstenerse cuando no hay)	184	664	830
Tool calling (llamada de funciones)	305	586	732
Precisión literal (hex. JWT. configs)	142	492	615

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 3.8 27B

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.

Pesos y tarjeta oficial del modelo — ahí están los benchmarks del fabricante, la licencia y cómo correrlo
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 3.8 27B es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →