Qwen3.8 Max registró 58 puntos en el Artificial Analysis Intelligence Index, un avance de 11 puntos sobre la generación anterior y un resultado equivalente al Claude Opus 4.8. Los datos fueron divulgados por Artificial Analysis.
El desempeño colocó al modelo de Alibaba por encima del GLM-5.2, que obtuvo 51 puntos, y un punto por delante del Kimi K3, de Moonshot AI, con 57.
La diferencia aparece en el costo de las pruebas. Cada tarea ejecutada por Qwen3.8 Max en el índice costó US$ 1,14, mientras que Kimi K3 registró US$ 0,86 por tarea, aproximadamente un 25% menos.
Qwen avanza en tareas profesionales
En GDPval-AA, benchmark orientado a actividades relacionadas con el trabajo, Qwen3.8 Max alcanzó 1.739 puntos Elo. La versión anterior había registrado un resultado 468 puntos menor.
El modelo también superó a Kimi K3, que marcó 1.685 puntos. Entre los sistemas citados en el estudio, solo Claude Opus 5 quedó por encima, con 1.852.
El avance, sin embargo, vino acompañado de un mayor uso de recursos. Qwen3.8 Max necesitó 64 etapas por tarea, frente a 14 en la generación anterior.
El volumen de tokens de entrada también aumentó unas 15 veces. La metodología de la prueba reenvía todo el historial de la conversación al modelo en cada nueva etapa, lo que amplía el consumo a medida que crece el número de interacciones.
El costo por tarea más que se duplica
Alibaba redujo los precios cobrados por tokens en el nuevo modelo. La entrada cayó de US$ 2,50 a US$ 2 por millón de tokens, mientras que la salida pasó de US$ 7,50 a US$ 6.
El precio para tokens obtenidos por caché bajó de US$ 0,50 a US$ 0,25 por millón.
Incluso con las reducciones, el mayor volumen procesado elevó el costo promedio en el Intelligence Index. El valor de US$ 1,14 por tarea representa más del doble de los US$ 0,53 registrados por Qwen3.7 Max.
En la misma prueba, Kimi K3 costó US$ 0,86 por tarea. GLM-5.2 presentó un costo aún menor, de US$ 0,57.
La tasa de alucinación sube al 40%
Qwen3.8 Max también presentó una caída en dos pruebas específicas de Artificial Analysis. En AA-LCR, que mide la capacidad de reunir información presente en textos extensos, el resultado retrocedió dos puntos.
La reducción llegó a diez puntos en AA-Omniscience, evaluación que verifica si el modelo responde correctamente a cuestiones de conocimiento o reconoce cuando no posee información suficiente.
La tasa de respuestas correctas se mantuvo cerca del 31%. En cambio, la tasa de alucinación pasó del 23% al 40% en relación con la versión anterior.
Los resultados indican que el nuevo modelo respondió con mayor frecuencia incluso cuando no tenía conocimiento suficiente para proporcionar una respuesta correcta.
