Ollama Cloud a prueba en code review: DeepSeek v3.1 supera a Qwen y GPT-OSS

Una prueba práctica demuestra que los modelos en la nube de Ollama ya pueden cubrir parte de las tareas de code review sobre Pull Requests reales, y no solo con ejemplos de demostración. En la comparativa entre Qwen 3.5, GPT-OSS y DeepSeek v3.1, DeepSeek logró el análisis más profundo y las recomendaciones más aplicables, aunque con una salvedad importante sobre la configuración.

Cómo se diseñó la prueba

El autor del artículo no evaluó los modelos con tareas abstractas, sino con Pull Requests de su propio proyecto legacy en Python, que tiene unos cuatro años. Preparó un PR distinto para cada modelo, pero mantuvo las mismas condiciones: el mismo prompt, el mismo acceso al contexto del proyecto y RAG activado, para que el sistema pudiera cargar archivos adicionales y no limitarse al diff. Este enfoque es clave, porque la falta de contexto es precisamente lo que suele volver superficial una revisión hecha por AI.

La configuración también se igualó al máximo: temperature 0.2, un límite de 4000 tokens, un nivel alto de criticidad en los comentarios, la detección de problemas de seguridad, rendimiento y estilo activada, y permiso para proponer correcciones. Además, los modelos analizaron no solo el diff, sino también el código relacionado.

En la prueba participaron Qwen 3.5, GPT-OSS y DeepSeek v3.1, tres modelos open-weight destacados que hoy se plantean a menudo como alternativa a las herramientas SaaS para desarrolladores.

Los modelos se puntuaron en una escala de cinco puntos. Los criterios principales fueron: precisión al detectar problemas reales en el código comprensión de los riesgos de seguridad tendencia a las alucinaciones profundidad del análisis y comprensión de las consecuencias de los cambios * utilidad práctica de las correcciones propuestas Por separado, el autor también midió el human acceptance rate: la probabilidad de que un desarrollador acepte de verdad los comentarios del modelo en lugar de ignorarlos como ruido.

Resultados por modelo Qwen 3.5 fue una grata sorpresa.

Obtuvo una puntuación final de 3.8 y mostró un equilibrio sólido entre precisión, bajo nivel de alucinaciones y consejos prácticos. Según el autor, el modelo vinculaba bien sus comentarios a líneas concretas, proponía con frecuencia correcciones reales y, en general, se comportaba como un primer revisor útil.

Su punto débil: una profundidad limitada en el análisis de arquitectura y un uso poco activo de las herramientas disponibles para obtener contexto adicional. GPT-OSS, en cambio, rindió claramente peor y se quedó en 2.9 puntos.

La principal crítica es que sus comentarios eran demasiado genéricos. El modelo detectaba parte de los problemas reales, pero relacionaba peor sus observaciones con los cambios concretos del PR, proponía auto-fix aplicables con menos frecuencia y caía más a menudo en suposiciones sin base suficiente. A su favor quedó un estilo de respuesta claro, pero para un code review práctico no bastó: el desarrollador no necesita formulaciones pulidas, sino comentarios precisos y útiles.

DeepSeek v3.1 logró el mejor resultado técnico. Sin penalización, su puntuación final fue de 4.

25: explicaba mejor que los demás las causas de los problemas, detectaba con más frecuencia los riesgos de seguridad, proponía fixes correctos desde el punto de vista de ingeniería y analizaba con más profundidad las consecuencias de los cambios. Formalmente, el autor rebajó la nota a 3.25 porque el modelo no pudo usar la herramienta sin el think mode activado.

Aun con esta salvedad, DeepSeek fue señalado como la opción más profunda y práctica de las evaluadas.

«Los modelos en la nube de

Ollama realmente se pueden usar para tareas de code review».

Dónde encaja

Ollama La conclusión principal del artículo no es que Ollama sustituya automáticamente a servicios especializados como CodeRabbit, Claude Review o QoDo. Más bien al contrario: la calidad de la revisión con AI depende mucho del modelo elegido, de la configuración y de cuánto contexto recibe. Si se elige un modelo poco adecuado o se le limita al diff sin acceso a los archivos del proyecto, el resultado se reduce rápidamente a un conjunto de comentarios superficiales.

En cambio, Ollama tiene un caso de uso sólido cuando el equipo prioriza el control y la flexibilidad. El autor subraya que este enfoque resulta especialmente interesante para proyectos con código sensible, restricciones de NDA o la voluntad de no enviar el código fuente a infraestructura externa. Además, la plataforma permite cambiar rápidamente de modelo, construir pipelines propios sobre la API y, si hace falta, pasar a una ejecución local en lugar de la nube.

Si el equipo no tiene requisitos estrictos de privacidad y el presupuesto no es crítico, las soluciones SaaS listas para usar todavía pueden ofrecer un resultado más estable «de serie». Su integración en el workflow es mejor, incluyen más automatización preconfigurada y requieren menos ajustes manuales. El experimento muestra, más bien, que los modelos abiertos están alcanzando a esta categoría de productos más rápido de lo que muchos esperaban.

Qué significa esto

Para los equipos de desarrollo, es una señal de que el code review con AI ya puede usarse no como un juguete, sino como una capa de trabajo para la revisión previa de Pull Requests. No sustituye al revisor humano, pero con el modelo adecuado, buen contexto y acceso a herramientas puede eliminar parte de la rutina, encontrar problemas reales y proponer correcciones antes de que el PR llegue a un compañero.