Qwen3-Coder-Next (OpenRouter FP8): para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#40 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (6.97 contra 9.12). Está en el tercio más barato del ranking: $1.23 por cada 1.000 llamadas.

Nota de calidad7.81/10#80 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$1.23más barato que 67 de 97

Al mes, uso típico$1.8550 llamadas por día, todos los días

Velocidad95 tok/s13.2 s de espera media

⬡ Open source · Apache 2.0 ⚒ 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 9.12 (+0.04 vs mediana)

Contenido 8.29 (-0.09 vs mediana)

Razonamiento 7.48 (-0.48 vs mediana)

Agentes 6.97 (-0.58 vs mediana)

Medido con 180 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 7.46. 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) — 9.32 (+1.86 contra su media). Decide: emitir JSON válido a la primera
Gestión de tareas (action items, planes) — 8.72 (+1.26 contra su media). Decide: convertir una conversación en tareas
OCR / extracción desde imágenes — 8.71 (+1.25 contra su media). Decide: leer datos de una imagen
Presentaciones (slides, reportes) — 8.66 (+1.20 contra su media). Decide: estructurar una presentación

Donde se cae

Resistencia a prompt injection — 2.48 (-4.98 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 5.06 (-2.40 contra su media). Decide: coordinar un flujo de varios pasos
Integridad de idioma (no mezclar idiomas) — 6.58 (-0.88 contra su media). Decide: no meter otro idioma en medio del texto
Tool calling (llamada de funciones) — 6.58 (-0.88 contra su media). Decide: llamar bien las funciones

Si Qwen3-Coder-Next (OpenRouter FP8) 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
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: Qwen3-Coder-Next (OpenRouter FP8) 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	180
Tool calling	5.91
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.110
Precio por millón · salida	$0.800
Rendimiento y límites
Latencia total media	13.2 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 Qwen3-Coder-Next (OpenRouter FP8) 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
Qwen3-Coder-Next (OpenRouter FP8) Este modelo	7.81	$1.23
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 9% más y además es más barato: $0.930 contra $1.23. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 9% más (8.48 contra 7.81) y cuesta 32 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, Qwen3-Coder-Next (OpenRouter FP8) 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)	3.746	18.235	22.793 (piso)
Decisiones de negocio (prioridades. plan)	1.844	2.048	2.560
Creatividad (hooks. analogías. narrativa)	872	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.048	2.048	2.560
Noticias + SEO (artículos completos)	1.368	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	528	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	2.048	2.048	2.560
Auditar números (detectar el error plantado)	1.530	2.032	2.540
Generación de código (Python. SQL. debug)	1.006	2.012	2.515
Anti-alucinación (citas. contexto)	223	1.625	2.031
Integridad de idioma (no mezclar idiomas)	1.047	1.460	1.825
Multi-turno (debugging. requisitos)	589	1.410	1.762
JSON estructurado (extracción. schemas)	103	1.215	1.518
OCR / extracción desde imágenes	442	1.039	1.298
Seguir instrucciones al pie de la letra	383	861	1.076
Contenido genérico (blog. email. social)	802	822	1.027
Contenido con datos verificables (no inventar)	386	657	821
Traducción (es↔en)	129	504	630
Orquestación (flujos de varios pasos)	128	494	617
No inventar herramientas (abstenerse cuando no hay)	62	428	535
Capacidades de agente (delegación. skills)	255	373	466
Resúmenes y extracción de datos	357	360	450
Soporte al cliente (clasificar y responder)	149	221	276
Precisión literal (hex. JWT. configs)	58	209	261
Aguja en el pajar (contexto largo en español)	48	149	186
Tool calling (llamada de funciones)	127	130	162
Verificar un dato contra su fuente	61	83	103
Resistencia a prompt injection	25	67	83

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 Qwen3-Coder-Next (OpenRouter FP8)

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 Qwen3-Coder-Next (OpenRouter FP8) es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →