Qwen 3.6 Plus supera a DeepSeek V4 Pro en el battle test en ruso y resulta más rentable

Un reciente battle test de seis LLM de abril con contenido en ruso dejó un resultado inesperado: el nuevo buque insignia DeepSeek V4 Pro no fue el líder. Lo superó Qwen 3.6 Plus, que salió antes y cuesta menos.

Quién quedó por delante

De DeepSeek V4 Pro se esperaba un resultado de nivel Tier S, es decir, más de 95 puntos sobre 100. Las expectativas eran lógicas: el modelo es grande, reciente, con buenos resultados en AIME y SWE-bench y con un enfoque en la arquitectura de reasoning. Sin embargo, en la prueba práctica con contenido en ruso obtuvo 89 puntos. Es un resultado alto, pero no el que suele esperarse de un lanzamiento que aspira al estatus de buque insignia precisamente para este mercado.

La comparación dentro de la propia línea de DeepSeek resulta aún más interesante. La versión Flash obtuvo 83 puntos, es decir, quedó a solo 6 puntos de Pro. En ese contexto, la nueva ejecución de Qwen 3.6 Plus, lanzado 22 días antes, dio 92 puntos. En conjunto, el modelo más antiguo superó al último lanzamiento de DeepSeek no solo en calidad del texto, sino también en utilidad general para tareas reales en ruso.

Precio frente a calidad

La gran sorpresa no está solo en los puntos, sino también en la economía. Si Pro supera a Flash por apenas unos puntos y cuesta 13 veces más, la decisión para producción deja de ser evidente. Para los equipos que generan grandes volúmenes de contenido, esa diferencia se convierte rápidamente en una partida de gasto considerable. En ese escenario no importa el récord absoluto en el test, sino cuánto resultado útil ofrece el modelo por cada dólar invertido.

En la metodología actualizada, el autor de la comparación pone el acento precisamente en esto y propone evaluar los modelos mediante score-per-dollar. Este enfoque cambia las conclusiones más que un ranking habitual basado en puntuaciones brutas. Un modelo puede quedar algo por debajo en calidad y, aun así, ganar en el uso real gracias al precio, la velocidad y un comportamiento más predecible en respuestas largas. Para redacciones y equipos de producto, esto es mucho más útil que pagar a ciegas por la opción más cara.

• DeepSeek V4 Pro: 89 puntos frente a la expectativa de Tier S
• DeepSeek Flash: 83 puntos y una economía notablemente más favorable
• Qwen 3.6 Plus: 92 puntos y liderazgo en la comparación
• Diferencia entre Pro y Flash: 6 puntos con una diferencia de precio de 13 veces
• Indicador clave para elegir: no solo el score, sino también el score-per-dollar

Por qué el reasoning no bastó

Una de las principales hipótesis tras la prueba es que la optimización para reasoning no garantiza un buen resultado narrativo. Métricas como AIME y SWE-bench muestran bien la capacidad de un modelo en matemáticas, código y razonamiento estructurado, pero predicen peor cómo escribirá un texto en ruso vivo, coherente y convincente. En las tareas de contenido importan el ritmo, la precisión de las formulaciones, el sentido de la estructura y el manejo de los matices del idioma, no solo la capacidad de descomponer un problema en pasos.

En este contexto, las actualizaciones de la metodología no parecen una formalidad, sino un intento de acercar la prueba a la producción de forma más honesta. Entre los cambios figuran el ajuste de max_tokens, un re-test de pago y una evaluación más estricta del valor práctico de la respuesta. En otras palabras, ya no se comparan simplemente modelos «inteligentes», sino modelos que deben resolver de forma estable una tarea editorial concreta dentro de un presupuesto dado. Y fue en esas condiciones donde quedó claro que la novedad de un lanzamiento, por sí sola, ya no es una ventaja.

Qué significa

El mercado de LLM se parece cada vez menos a una carrera de «el más nuevo es el mejor». En las tareas de contenido en ruso no gana el modelo que más ruido hace, sino el que mantiene mejor la calidad del texto y resulta rentable en producción. Para los equipos, es una señal para volver a probar con más frecuencia los nuevos buques insignia en sus propios escenarios, en lugar de elegirlos solo por los titulares de los benchmarks.