Qwen 3.8 Flash: para qué sirve de verdad (benchmark en español)
Su fuerte es Coding (#2 de 99 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.64 contra 9.85). Está en el tercio más barato del ranking: $0.750 por cada 1.000 llamadas.
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.
Medido con 823 runs que puntúan, juez Phi-4 local · actualizado 2026-09-01 · datos abiertos
Qué hace bien y qué no
Su media entre las 35 tareas medidas es 7.80. 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) — 8.93 (+1.13 contra su media).
- JSON estructurado (extracción, schemas) — 8.92 (+1.12 contra su media).
- Encontrar el sitio oficial de una empresa — 8.88 (+1.08 contra su media).
- Extraer los datos verificables de un texto — 8.87 (+1.07 contra su media).
Donde se cae
- Tool calling (llamada de funciones) — 5.48 (-2.32 contra su media).
- Soporte al cliente (clasificar y responder) — 5.95 (-1.85 contra su media).
- Resistencia a prompt injection — 5.98 (-1.82 contra su media).
- Razonamiento profundo (matemática, Fermi) — 6.52 (-1.28 contra su media).
Si Qwen 3.8 Flash no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Qwen 3.7 Flash | 8.49 | $0.204 | 28.5 s | misma nota o mejor, menos plata por llamada |
| Gemini 3.5 Flash Lite | 8.23 | $3.84 | 4.6 s | al menos 40% menos de espera, sin caer de nota |
La ficha: Qwen 3.8 Flash en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 823 |
| Tool calling | 6.70 |
| Resistencia a prompt injection | 5.95 |
| Precio | |
| Precio por millón · entrada | $0.150 |
| Precio por millón · salida | $0.470 |
| Rendimiento y límites | |
| Latencia total media | 64.8 s |
| Ventana de contexto | 1.000.000 |
| Contexto útil medido | 800.000 |
Contra los mejores del ranking, en plata
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| Qwen 3.8 Flash | 8.53 | $0.750 |
| GPT-5.6 Luna | 8.52 | $0.930 |
| Claude Opus 4.8 | 8.48 | $39.00 |
- GPT-5.6 Luna (el techo medido) cuesta 1 veces más y no rinde más: 8.52 contra 8.53.
- Claude Opus 4.8 (el caro que todos conocen) cuesta 52 veces más y no rinde más: 8.48 contra 8.53.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Estrategia (pricing. planificación) | 15.746 | 32.765 | 40.956 |
| Decisiones de negocio (prioridades. plan) | 8.821 | 31.431 | 39.288 |
| Razonamiento profundo (matemática. Fermi) | 10.489 | 31.055 | 38.818 |
| Tareas largas (sostener el hilo 8-12 turnos) | 14.105 | 29.463 | 36.828 |
| Noticias + SEO (artículos completos) | 9.969 | 23.189 | 28.986 |
| Razonamiento general (lógica. decisiones) | 14.436 | 20.429 | 25.536 |
| Generación de código (Python. SQL. debug) | 7.919 | 19.929 | 24.911 |
| Integridad de idioma (no mezclar idiomas) | 7.536 | 19.118 | 23.897 |
| Auditar números (detectar el error plantado) | 5.601 | 12.878 | 16.097 |
| Contenido startup (newsletter. actualidad) | 11.083 | 12.666 | 15.832 |
| Creatividad (hooks. analogías. narrativa) | 3.307 | 12.524 | 15.655 |
| Ventas en frío (cold email. campañas) | 1.762 | 11.896 | 14.870 |
| OCR / extracción desde imágenes | 1.575 | 11.882 | 14.852 |
| Contenido con datos verificables (no inventar) | 4.637 | 11.627 | 14.533 |
| Multi-turno (debugging. requisitos) | 1.159 | 9.669 | 12.086 |
| Gestión de tareas (action items. planes) | 5.571 | 9.125 | 11.406 |
| Contenido genérico (blog. email. social) | 1.792 | 6.880 | 8.600 |
| Anti-alucinación (citas. contexto) | 732 | 6.753 | 8.441 |
| Presentaciones (slides. reportes) | 6.053 | 6.053 | 7.566 |
| Traducción (es↔en) | 1.196 | 5.091 | 6.363 |
| Extraer los datos verificables de un texto | 2.213 | 3.723 | 4.653 |
| JSON estructurado (extracción. schemas) | 562 | 3.428 | 4.285 |
| Seguir instrucciones al pie de la letra | 1.773 | 2.585 | 3.231 |
| Verificar VARIOS datos de una vez (lote) | 903 | 2.276 | 2.845 |
| Resúmenes y extracción de datos | 1.970 | 1.970 | 2.462 |
| Resistencia a prompt injection | 373 | 1.924 | 2.405 |
| No inventar herramientas (abstenerse cuando no hay) | 208 | 1.489 | 1.861 |
| Verificar un dato contra su fuente | 269 | 1.405 | 1.756 |
| Capacidades de agente (delegación. skills) | 810 | 1.346 | 1.682 |
| Orquestación (flujos de varios pasos) | 824 | 1.205 | 1.506 |
| Tool calling (llamada de funciones) | 240 | 1.025 | 1.281 |
| Soporte al cliente (clasificar y responder) | 258 | 680 | 850 |
| Precisión literal (hex. JWT. configs) | 137 | 627 | 783 |
| Aguja en el pajar (contexto largo en español) | 221 | 275 | 343 |
| Encontrar el sitio oficial de una empresa | 174 | 269 | 336 |
Los números oficiales de Qwen 3.8 Flash
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.
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 Flash es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →