Qwen3 Coder: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#31 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.22 contra 9.18). Cuesta $1.59 por cada 1.000 llamadas.

Nota de calidad7.78/10#87 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$1.59más barato que 62 de 97

Al mes, uso típico$2.3850 llamadas por día, todos los días

Velocidad62 tok/s15.9 s de espera media

⬡ Open source · Apache 2.0 ⚒ Puede usar herramientas ⌸ Le caben ~1.700 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 9.18 (+0.10 vs mediana)

Contenido 8.19 (-0.19 vs mediana)

Razonamiento 7.77 (-0.18 vs mediana)

Agentes 7.22 (-0.33 vs mediana)

Medido con 162 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 7.26. 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) — 8.98 (+1.72 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.81 (+1.55 contra su media). Decide: leer datos de una imagen
Generación de código (Python, SQL, debug) — 8.66 (+1.40 contra su media). Decide: escribir código que corre
Ventas en frío (cold email, campañas) — 8.49 (+1.23 contra su media). Decide: escribir para vender

Donde se cae

Resistencia a prompt injection — 2.44 (-4.82 contra su media). Decide: resistir una fuga de datos
No inventar herramientas (abstenerse cuando no hay) — 5.30 (-1.96 contra su media). Decide: no inventar herramientas que no existen
Noticias + SEO (artículos completos) — 5.62 (-1.64 contra su media). Decide: escribir un artículo publicable
Orquestación (flujos de varios pasos) — 5.73 (-1.53 contra su media). Decide: coordinar un flujo de varios pasos

Si Qwen3 Coder 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 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	162
Tool calling	6.99
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.300
Precio por millón · salida	$1.00
Rendimiento y límites
Latencia total media	15.9 s
Ventana de contexto	1.048.576

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Qwen3 Coder 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 Este modelo	7.78	$1.59
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 10% más y además es más barato: $0.930 contra $1.59. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 9% más (8.48 contra 7.78) y cuesta 25 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 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)	1.947	8.019	10.023
Presentaciones (slides. reportes)	2.042	2.042	2.552
Noticias + SEO (artículos completos)	1.438	1.733	2.166
Contenido startup (newsletter. actualidad)	1.373	1.719	2.148
Estrategia (pricing. planificación)	1.371	1.681	2.101
Decisiones de negocio (prioridades. plan)	1.178	1.634	2.042
Razonamiento general (lógica. decisiones)	1.242	1.461	1.826
Gestión de tareas (action items. planes)	1.166	1.446	1.807
Auditar números (detectar el error plantado)	981	1.432	1.790
Razonamiento profundo (matemática. Fermi)	1.227	1.387	1.733
Creatividad (hooks. analogías. narrativa)	754	1.282	1.602
Ventas en frío (cold email. campañas)	386	1.166	1.457
Integridad de idioma (no mezclar idiomas)	623	1.138	1.422
Anti-alucinación (citas. contexto)	226	991	1.238
JSON estructurado (extracción. schemas)	102	989	1.236
Generación de código (Python. SQL. debug)	685	941	1.176
Contenido genérico (blog. email. social)	738	846	1.057
OCR / extracción desde imágenes	383	737	921
Contenido con datos verificables (no inventar)	241	599	748
Orquestación (flujos de varios pasos)	299	592	740
Traducción (es↔en)	124	475	593
Resúmenes y extracción de datos	328	328	410
Capacidades de agente (delegación. skills)	175	315	393
Seguir instrucciones al pie de la letra	270	286	357
Multi-turno (debugging. requisitos)	141	220	275
Precisión literal (hex. JWT. configs)	57	208	260
No inventar herramientas (abstenerse cuando no hay)	45	140	175
Tool calling (llamada de funciones)	87	125	156
Soporte al cliente (clasificar y responder)	54	84	105
Verificar un dato contra su fuente	50	60	75
Resistencia a prompt injection	36	46	57

Los números oficiales de Qwen3 Coder

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

Ir a la calculadora →