IA Informer.

DeepSeek V4.1 Flash y Qwen 3.8 FN se enfrentan en una prueba local de programación visual

Una prueba compartida en la comunidad de modelos locales compara ambos sistemas en la misma tarea: construir en el navegador una simulación interactiva de un motor V8. El experimento no permite sacar conclusiones generales sobre cuál es “mejor”, pero sí deja una diferencia visible en velocidad, coordinación de agentes y acabado final.

Ilustración editorial sobre DeepSeek V4.1 Flash y Qwen 3.8 FN se enfrentan en una prueba local de programación visual
Imagen editorial generada para IA Informer.

Qué se probó y con qué hardware

El autor pidió a los dos modelos que generaran una simulación 3D de un V8 en Three.js/WebGL, con animación sincronizada, controles funcionales y geometría procedimental, sin modelos descargados. Para la prueba usó una máquina con una RTX 5090, una RTX 5060 Ti, un Ryzen 9 9950X y 128 GB de DDR5, dentro de Basalt y con Quecto Harness, que el propio autor dice mantener.

No se trata de un benchmark formal ni de una evaluación académica. El propio autor lo presenta como un experimento “one shot” y admite que el prompt probablemente toca capacidades presentes en los datos de entrenamiento de ambos sistemas. Aun así, el caso resulta útil para ver cómo dos configuraciones locales pueden comportarse de forma muy distinta ante la misma petición larga y compleja.

DeepSeek: más lento, pero más autónomo

En la versión basada en DeepSeek V4.1 Flash 1017, con una cuantización UD IQ1_M, la ejecución fue monolítica: un solo agente, sin compactaciones de contexto. El autor dice que generó unos 250.000 tokens a un ritmo aproximado de 94 tokens por segundo, con un contexto de 346.000 tokens. La simulación arrancó bien a la primera, todos los botones funcionaban y la escena quedó visualmente limpia, aunque el corte interno mostraba menos detalle y faltaban algunas piezas pequeñas.

La lectura del autor es que DeepSeek resolvió mejor la tarea por sí solo, con menos intervención externa y sin perderse durante el proceso. Esa impresión es coherente con el resultado que muestra: menos velocidad, pero también menos fricción y un acabado más consistente en esta prueba concreta.

Qwen: más rápido, más partes y más fricción entre agentes

Qwen 3.8 FN se ejecutó con un esquema distinto: un agente principal y cinco subagentes, con hasta tres en paralelo, y una velocidad agregada de unas 350 tokens por segundo. La prueba se alargó hasta unos 70 minutos, con más de 443.000 tokens del agente principal y 804.000 tokens de contexto total, además de dos compactaciones.

El resultado fue más ambicioso, pero también más irregular. El sistema construyó más piezas, generó un corte más completo e incluso añadió sonido de motor. Sin embargo, también dejó partes flotando, dependió de varios subagentes que no terminaron su trabajo y tardó más que DeepSeek pese a su mayor velocidad de inferencia. El autor interpreta que Qwen destacó en la ampliación del proyecto, pero perdió estabilidad en la coordinación entre subagentes.

Ese contraste apunta a una diferencia práctica entre dos formas de trabajar con modelos locales: uno puede ser mejor para tomar una instrucción y sacarla adelante sin desorden, mientras otro puede rendir mejor cuando se le pide iterar, ampliar y construir más capas sobre una base ya existente. La velocidad por sí sola no garantiza una mejor ejecución agente a agente.

Lo que sí se puede concluir

La comparación deja tres ideas razonables, siempre como observaciones de una sola prueba. Primera, DeepSeek V4.1 Flash puede ofrecer un resultado más pulido y autónomo incluso con una cuantización agresiva. Segunda, Qwen 3.8 FN puede aprovechar mejor una configuración multipropósito con subagentes cuando se busca ampliar el alcance de la salida. Tercera, el andamiaje —el harness, los subagentes y la forma de gestionar contexto— pesa tanto como el modelo.

También hay límites claros. La tarea mide una capacidad muy concreta: generar una escena 3D funcional con animación y controles. No dice casi nada sobre razonamiento general, programación larga en otros lenguajes, tareas de producto reales o robustez fuera de esa plantilla. Tampoco permite separar de forma limpia cuánto del resultado depende del modelo y cuánto de la configuración de ejecución, del hardware o del propio prompt.

Por qué interesa a quien usa modelos locales

Para quienes montan agentes o asistentes en local, la prueba ilustra una tensión conocida: más rapidez no equivale automáticamente a más fiabilidad. Un modelo que “piensa” menos en paralelo puede dejar una aplicación más coherente; otro que reparte trabajo entre varios agentes puede producir más contenido, pero también más incoherencias si parte de la coordinación falla.

Queda una cuestión abierta: cómo cambiaría el resultado con menos compresión, más contexto nativo o una gestión más estricta de los subagentes. Esa es la comparación que seguiría teniendo más valor práctico para quien usa modelos locales en tareas largas.