Qwen vs DeepSeek vs GLM: los tres grandes de código abierto de China (2026)

Qwen vs DeepSeek vs GLM: los tres grandes de código abierto de China (2026)

Última verificación: 14 de julio de 2026. Versiones de modelo (Qwen3.6, DeepSeek V4, GLM-5.2), precios y licencias revisados en los canales oficiales el mismo día en que se publicó este artículo.

Qwen vs DeepSeek vs GLM es exactamente lo que buscan la mayoría de desarrolladores cuando quieren un modelo chino de código abierto capaz de plantar cara a Claude y GPT. Ejecutamos uno de ellos, GLM-5.2 (cadena de modelo GLM-5.2[1m]), como nuestro modelo principal de codificación durante tres semanas a $72/mo. DeepSeek V4 reporta un ~80.6% en SWE-bench Verified. Qwen3.6 se distribuye bajo Apache 2.0, la licencia más permisiva de las tres. Tres laboratorios, tres apuestas muy distintas. Así es como se comparan de verdad, con una tabla de especificaciones, una tabla de benchmarks que señala quién publicó cada cifra, y una prueba real de producción.

Para codificación agéntica y agentes de largo alcance, GLM-5.2 es nuestra elección (lo ejecutamos tres semanas en producción). Para los tokens más baratos y RAG a escala, DeepSeek V4 Flash gana en precio. Para autoalojamiento local y la licencia más permisiva, Qwen3 (Apache 2.0) tiene la huella más amplia y ligera.

Respuesta rápida:

• Qwen, DeepSeek y GLM son tres empresas distintas (Alibaba, DeepSeek, Zhipu/Z.ai), no un solo modelo.
• Más barato por token: DeepSeek V4 Flash ($0.14 in / $0.28 out por M; acierto de caché $0.0028).
• Mejor elección práctica para codificación: GLM-5.2 (lo ejecutamos tres semanas en Claude Code); licencia más permisiva: Qwen (Apache 2.0).
• Las tres alcanzan ya cerca de 1M de contexto, con matices por modelo (los modelos abiertos de Qwen varían).

Aclaración rápida: son tres empresas distintas, no un solo modelo con tres nombres. Los checkpoints antiguos "distill Qwen" del R1 de DeepSeek son algo completamente distinto y más antiguo.

Qwen vs DeepSeek vs GLM de un vistazo

Las tres familias hacen apuestas de diseño opuestas. Qwen (Alibaba) es la gama más amplia, con la huella de autoalojamiento más ligera y una licencia Apache 2.0. DeepSeek (DeepSeek) es una jugada de precio-rendimiento en dos niveles construida sobre enormes modelos Mixture-of-Experts. GLM-5.2 (Zhipu/Z.ai) es el especialista en codificación y agentes de largo alcance. Aquí está la ficha técnica, lado a lado.

Dos notas. Qwen separa sus modelos abiertos de un buque insignia "Max" cerrado, solo API, así que especifica siempre a cuál te refieres. Y los recuentos de parámetros de DeepSeek V4 provienen de blogs, no son oficiales, de ahí la etiqueta "reportado".

¿Cómo se comparan Qwen, DeepSeek y GLM en los benchmarks?

Ningún modelo gana todos los benchmarks, así que hay que leer el conjunto, no el ranking. En codificación, GLM-5.2 lidera las tareas de agentes de largo alcance mientras que DeepSeek V4 Pro encabeza las puntuaciones agregadas de codificación. En razonamiento, ambos empujan AIME casi hasta la saturación. En los índices generales de inteligencia, GLM se sitúa a mitad de tabla entre los modelos abiertos. Los distintos arneses de evaluación hacen que las cifras entre modelos no sean del todo comparables, así que cada puntuación de abajo está etiquetada con quién la publicó.

Leyenda: [SR] = autorreportado por el proveedor. [3P] = leaderboard de terceros, agregador independiente, o nuestras propias pruebas prácticas. Una celda n/a significa que el proveedor no publicó una cifra comparable, no que sea cero.

La lectura honesta sobre los benchmarks de código abierto chinos en 2026: ningún modelo gana en todas las filas, y la mitad de las cifras llamativas son autorreportadas. Ese 77.2% de Qwen3.6-27B viene de un solo blog, y el ~80.6% de DeepSeek usó un "scaffold no verificado", así que hay que tratar ambos con cautela. En nuestras propias pruebas nos apoyamos en el leaderboard de SWE-bench y en Artificial Analysis antes que en cifras de content farms, porque un simple cambio de scaffold puede mover una puntuación varios puntos. Cuando un modelo solo cita su propio informe, descuenta esa cifra un nivel.

DeepSeek V4: el rey de la relación precio-rendimiento

DeepSeek V4 es la elección cuando cada millón de tokens cuenta. Se distribuye en dos niveles: V4 Pro para razonamiento y trabajo agéntico, y V4 Flash para llamadas rápidas, baratas y de alto volumen. Su ventaja estructural es el precio de caché. Si tu carga de trabajo relee el mismo contexto una y otra vez, como un pipeline de RAG o un agente que reenvía un system prompt, la tasa de acierto de caché lo convierte en la opción más barata de esta comparativa, y por un margen amplio.

DeepSeek V4 se lanzó como preview el 24 de abril de 2026. Arquitectura reportada: un MoE de 1.6T / 49B activos para V4 Pro y 284B / 13B para V4 Flash, ambos reportados en blogs y no confirmados oficialmente. Los pesos están en Hugging Face (deepseek-ai/DeepSeek-V4-Pro, deepseek-ai/DeepSeek-V4-Flash) bajo MIT, con una ventana de contexto oficial de 1M.

Aquí es donde aterriza la economía del acierto de caché: V4 Flash cobra $0.14 por M de entrada en fallo de caché, pero solo $0.0028 en acierto de caché, frente a $0.28 de salida. Para un servicio de RAG que golpea el mismo almacén de documentos una y otra vez, esa diferencia lo cambia todo. Las cifras completas están en la página oficial de precios de DeepSeek.

Una mina de fechas de caducidad que nadie más señala: si todavía llamas a deepseek-chat o deepseek-reasoner, esos endpoints se retiran el 2026-07-24 a las 15:59 UTC. Migra a deepseek-v4-pro o deepseek-v4-flash ahora, porque esa fecha límite llega solo diez días después de la publicación de este artículo.

Elige DeepSeek V4 para productos sensibles al coste, con API como primera línea, especialmente cualquier cosa con contexto repetido pesado. No es el modelo que autoalojas en una sola estación de trabajo; el MoE grande necesita hardware de clase clúster.

Qwen3: la familia más amplia y la mejor huella de autoalojamiento

Qwen3 es el modelo para ejecutar en tu propio hardware. Es la familia más amplia de las tres, los modelos abiertos llevan una licencia Apache 2.0 (la más permisiva aquí), y el nivel dense es lo bastante ligero para una sola GPU. También es el más fuerte en ejes que no son codificación, como el trabajo multilingüe, algo que las comparativas centradas solo en código ignoran por completo.

La gama es profunda. En el lado abierto tienes Qwen3.6-27B (dense), Qwen3.6-35B-A3B (MoE), y la línea de codificación encabezada por Qwen3-Coder-Next (80B-A3B, contexto de 256K). Por separado, Qwen3-Max es un buque insignia cerrado, solo API, así que no lo confundas con los pesos abiertos. Las versiones y los términos de Apache 2.0 están en el repositorio de GitHub de Qwen3-Coder y en el blog del equipo de Qwen.

En codificación, Qwen3-Coder-Next marca 70.6-71.3% en SWE-bench Verified según el arnés usado (autorreportado, SOTA entre modelos abiertos sin escalado en tiempo de test). El titular del autoalojamiento: el dense de clase 27B reportadamente corre con unos 18GB de VRAM, una sola tarjeta de 24GB con margen. Esa cifra viene de un solo blog, así que verifícala en tu propio setup. Aquí tienes cómo ejecutar estos modelos en local, y cómo servirlos con vLLM o SGLang una vez que escales más allá de una sola máquina.

El nombrado de Qwen es el menos estable de los tres, así que reconfirma el nombre actual del buque insignia abierto antes de fijar una dependencia. Elige Qwen3 para despliegue local en hardware modesto, cobertura multilingüe, o cualquier caso donde necesites específicamente Apache 2.0 en lugar de MIT.

GLM-5.2: la opción para codificación y agentes de largo alcance

GLM-5.2 es el especialista en codificación y agentes de largo alcance, y es el único de los tres que conocemos de primera mano. Es un MoE de 753B total / ~40B activos bajo licencia MIT, con una ventana de contexto de 1M desde mediados de junio de 2026 y unos 131K de salida máxima. En los benchmarks agénticos aguanta: SWE-bench Pro 62.1, Terminal-Bench 2.1 en 81.0, AIME casi saturado en 99.2, y un Artificial Analysis Intelligence Index de 51 (todo de terceros).

Aquí va la parte honesta, y es la señal de confianza que separa esto de un simple refrito de benchmarks: nuestra profundidad práctica es solo con GLM. Ejecutamos GLM-5.2 Pro como nuestro modelo principal de codificación durante tres semanas en repositorios reales de clientes, manejado desde Claude Code contra el endpoint compatible con Anthropic de Z.AI (api.z.ai/api/anthropic, cadena de modelo GLM-5.2[1m]). Una semana normal fueron unos 1,300 de nuestros ~2,000 prompts semanales. Durante dos semanas cargadas de migraciones, alcanzamos el tope semanal el día 5, una parada dura sin posibilidad de exceso. Completó limpiamente un refactor real de rutas API de Next.js 16 en aproximadamente una docena de archivos. Coste: $72/mo en el nivel Pro del GLM Coding Plan frente a los ~$200/mo que pagaríamos por Claude Max. Para Qwen3 y DeepSeek V4 nos apoyamos en benchmarks publicados más comprobaciones puntuales por API más cortas, así que pondera el veredicto de GLM como el que realmente vivimos.

El cambio en sí son tres variables de entorno, que puedes reutilizar directamente de nuestro artículo sobre 3 semanas ejecutando el GLM Coding Plan en Claude Code:

# Point Claude Code at GLM-5.2 via Z.AI's Anthropic-compatible endpoint
export ANTHROPIC_BASE_URL="https://api.z.ai/api/anthropic"
export ANTHROPIC_AUTH_TOKEN="your-zai-key"
export ANTHROPIC_MODEL="GLM-5.2[1m]"
claude

Tres semanas con GLM-5.2 a $72/mo hicieron el trabajo de codificación por el que normalmente pagaríamos ~$200/mo de Claude Max, hasta que topamos con el límite semanal el día cinco. El análisis completo está en nuestra reseña completa de GLM-5.2 y en el artículo del plan de codificación de arriba; esta sección se mantiene corta a propósito para que la comparativa de tres siga con el mismo peso. Los detalles del modelo están en la documentación de Z.AI.

¿Cuánto cuestan Qwen, DeepSeek y GLM?

DeepSeek V4 Flash es el más barato por token, GLM vende una suscripción plana (el Coding Plan) en lugar de solo por token, y el nivel "Plus" de Qwen se sitúa en el medio. Las tres licencias son amigables para uso comercial. Los precios de abajo son por 1M de tokens, obtenidos el 14 de julio de 2026.

La tabla de precios esconde un gran giro. El Coding Plan de GLM es una suscripción plana, no por token: Lite $18, Pro $72, Max $160 al mes. Si codificas todo el día, esa suscripción vence al gasto por token de la API de GLM, que es exactamente por qué nuestra prueba de tres semanas corrió sobre ella. Si solo haces llamadas ocasionales, la API por token de GLM o DeepSeek V4 Flash sale más barata.

En cuanto a licencias: DeepSeek y GLM son MIT, Qwen es Apache 2.0. Las tres son amigables para uso comercial. Apache 2.0 es la más permisiva si planeas redistribuir o necesitas términos de patente explícitos, así que confirma siempre la licencia exacta en la ficha del modelo en Hugging Face para el checkpoint que despliegues.

Ahora la pregunta que realmente quita el sueño a quien compra un modelo chino: la residencia de datos. Estos son proveedores chinos. ¿Puedes mantener los datos en tu jurisdicción? Sí, si autoalojas: pesos abiertos más licencias MIT o Apache 2.0 significan que puedes ejecutar cualquiera de ellos en infraestructura de la UE (o de tu propia región) y ninguna solicitud sale de tu red. La API alojada es lo contrario: tus datos van al proveedor, y nuestra reseña de GLM señala específicamente los términos de alojamiento y retención en China de Z.ai para el endpoint alojado. Así que para un alojamiento estricto en la UE o cumplimiento normativo, autoaloja, y Qwen es el más fácil de autoalojar precisamente para eso. (Y sí, deepseek-chat / deepseek-reasoner siguen retirándose el 2026-07-24 a las 15:59 UTC.)

¿Cuál deberías elegir?

No hay un único ganador, así que hay que emparejar el modelo con el trabajo. Abajo está la matriz de decisión por caso de uso. Versión corta: GLM-5.2 para codificación agéntica, DeepSeek V4 Flash para los tokens más baratos, DeepSeek V4 Pro o GLM para el razonamiento más difícil, y Qwen3 para autoalojamiento local, amplitud multilingüe y residencia de datos.

¿Por qué no Kimi? Es una pregunta justa, porque Kimi K2.6 (Moonshot) es real y potente: BenchLM lo sitúa como el #2 entre los modelos chinos (general 81, codificación 88.7). Trazamos la línea en tres porque "qwen vs deepseek vs glm" es exactamente el conjunto que la gente busca, y una comparativa limpia de tres se mantiene útil. Kimi es el cuarto natural si quieres una lista más larga, y pertenece al leaderboard más amplio de LLMs de código abierto junto a Llama y Mistral. Un párrafo honesto, sin dispersión de cuatro vías.

Preguntas frecuentes

¿Son lo mismo Qwen, DeepSeek y GLM?

No. Vienen de tres empresas distintas: Alibaba hace Qwen, DeepSeek hace DeepSeek V4, y Zhipu/Z.ai hace GLM. La confusión suele venir de los checkpoints antiguos "distill Qwen" del R1 de DeepSeek, que eran razonamiento de DeepSeek destilado en modelos base de Qwen. Eso es algo más antiguo y separado de los buques insignia independientes de hoy.

¿Cuál es mejor para codificación en 2026?

Depende de si vas alojado o autoalojado. Para codificación agéntica práctica, GLM-5.2 es nuestra elección tras una prueba de producción de tres semanas. DeepSeek V4 Pro encabeza la puntuación agregada de codificación de BenchLM (89.8). Para el modelo más fuerte que puedes autoalojar, Qwen3-Coder-Next lidera SWE-bench Verified abierto con 70.6-71.3%. Los tres son genuinamente utilizables.

¿Cuál es el más barato por token?

DeepSeek V4 Flash, con comodidad. Cuesta $0.14 por M de entrada en fallo de caché, $0.0028 en acierto de caché, y $0.28 de salida (oficial, 14 de julio de 2026). Para cargas de trabajo de contexto repetido como RAG o agentes que releen un system prompt, la tasa de acierto de caché lo hace más barato que cualquier otra cosa de esta comparativa.

¿Puedo autoalojar Qwen, DeepSeek y GLM en mi propio hardware?

Sí, los tres publican pesos abiertos. El dense de 27B de Qwen es el más ligero y reportadamente corre con unos 18GB de VRAM, así que una sola tarjeta de 24GB funciona. DeepSeek V4 y GLM-5.2 son modelos grandes de Mixture-of-Experts que necesitan hardware de clase clúster. Sírvelos con vLLM o SGLang una vez que pases de una sola máquina.

¿Cuál tiene la ventana de contexto más grande?

Se agrupan alrededor de 1M de tokens, pero no hay que perder el detalle. DeepSeek V4 es oficialmente 1M, y GLM-5.2 alcanzó 1M a mediados de junio de 2026. Los modelos abiertos de Qwen varían: Qwen3-Coder-Next es 256K nativo, mientras que algunos niveles "Plus" alojados llegan a cerca de 1M. Revisa el checkpoint específico que despliegues en lugar de asumir.

¿GLM-5.2 es tan bueno como Claude o GPT para codificación?

Está cerca en benchmarks (SWE-bench Pro 62.1 frente a Claude Opus 4.8 alrededor de 69) y más cerca en la práctica de lo que sugiere esa diferencia. En nuestra prueba de tres semanas, GLM-5.2 hizo la mayor parte de nuestro trabajo de codificación a $72/mo frente a los ~$200/mo que pagamos por Claude Max. La contrapartida es un tope semanal duro que nos detuvo el día cinco durante semanas de mucha carga.

¿Qué pasa con Kimi K2.6, por qué no es uno de los tres?

Kimi (Moonshot) es real y potente. BenchLM lo sitúa como el #2 modelo chino en general (81) y 88.7 en codificación. Mantuvimos el marco exacto de tres que la gente busca, así que Kimi no entró en el conjunto principal. Piénsalo como el cuarto natural en una lista más larga de código abierto, no como una omisión.

¿Qué licencia puedo usar comercialmente?

Las tres. DeepSeek y GLM se distribuyen bajo MIT, y los modelos abiertos de Qwen bajo Apache 2.0. Todas son amigables para uso comercial. Apache 2.0 es la más permisiva, con términos de patente explícitos, algo que puede importar para redistribución. Confirma siempre la licencia en la ficha del modelo en Hugging Face para el modelo exacto que despliegues.

Qwen vs DeepSeek V4, ¿cuál debería elegir para un producto basado en API?

DeepSeek V4 para productos sensibles al coste, de alto volumen o intensivos en RAG, gracias a la ventaja de precio del acierto de caché. Qwen cuando necesites amplitud multilingüe o específicamente una licencia Apache 2.0. Ambos están disponibles vía API y ambos se autoalojan, así que los factores decisivos suelen ser tu volumen de tokens y tus restricciones de licencia.

El veredicto

No fuerces un único ganador entre Qwen vs DeepSeek vs GLM. Sepáralos por niveles y elige según el trabajo:

• GLM-5.2 para codificación agéntica y agentes de largo alcance. Es el que ejecutamos durante tres semanas a $72/mo, y se ganó el puesto.
• DeepSeek V4 Flash para los tokens más baratos y RAG a escala, con un precio de acierto de caché que nada más en esta comparativa iguala.
• Qwen3 para autoalojamiento local en hardware modesto, trabajo multilingüe, y la licencia más permisiva (Apache 2.0).

La lección más grande: lee el conjunto de benchmarks, no el ranking, y descuenta las cifras autorreportadas. La actualidad importa más que el número de palabras en este terreno, porque los tres lanzan versiones nuevas casi cada mes.

Elegir el modelo es la parte fácil. Integrarlo en un stack de producción con fallbacks, topes de coste y puertas de evaluación es donde se atascan los equipos. Eso es lo que hacemos en Techsy, integrando un modelo de código abierto en un stack de agentes de producción que aguanta bajo tráfico real.