Coding — AI That Writes Production Code

El modelo de programación agéntico que no solo autocompleta — planifica, usa herramientas, depura entre archivos y termina la tarea del repo caótico mientras paseas al perro. Terminal-Bench 82,7% no es un error tipográfico.

Terminal-Bench 2.0 82,7% (aplasta el 69,4% de Opus 4.7); Expert-SWE 73,1% en tareas de 20 horas; FrontierMath Tier 4 35,4%; ~40% menos tokens de salida; 1M de contexto con uso nativo de herramientas e integración con Codex.

Precio de API 2× ($5/$30 por 1M tokens); por detrás de Claude Opus 4.7 en SWE-Bench Pro (58,6% vs 64,3%); API no disponible al lanzamiento; reportes tempranos de alucinación requieren verificación.

El monstruo de razonamiento híbrido de Anthropic — el modelo que no solo escribe código, lo *diseña*. SWE-Bench Pro 64,3% destroza a todos los demás modelos en el benchmark de codificación real más difícil. CursorBench 70%. Visión de alta resolución que lee tus capturas de pantalla. Y un modo de esfuerzo 'xhigh' que le permite pensar más profundo que cualquier modelo anterior.

SWE-Bench Pro 64,3% (nuevo SOTA — supera el 57,7% de GPT-5.4 y el 58,6% de Kimi K2.6 por un abismo). CursorBench 70% en sesiones IDE reales. OSWorld 78%. Visión de alta resolución hasta 3,75 MP. Mismo precio que Opus 4.6 ($5/$25). Disponible en todas partes: Claude.ai, API, Bedrock, Vertex, GitHub Copilot.

No todo es color de rosa. El consumo de tokens es notablemente mayor (el nuevo tokenizador infla costos 15–35% en prompts pesados de código). El razonamiento adaptativo lo hace sentir 'perezoso' en prompts simples. Algunos usuarios reportan regresiones en la recuperación de contexto largo más allá de 100K tokens.

El buque insignia de Alibaba para codificación agéntica — diseñado específicamente para el tipo de tareas de programación que toman horas, no minutos. Qwen 3.7 Max ejecutó una sesión de optimización de kernel de 35 horas con 1,158 llamadas a herramientas y cero intervención humana. SWE-Bench Pro 60.6%, una ventana de contexto de 1M de tokens y compatibilidad multi-framework que permite integrarlo en Claude Code o cualquier framework de agentes estándar sin configuración adicional.

SWE-Bench Pro 60.6%, Terminal-Bench 2.0 Terminus 69.7, Code Arena WebDev ~1541 Elo (top 4). El primer modelo propietario chino que iguala consistentemente a los modelos frontera occidentales en benchmarks de codificación en producción. 210+ tokens de salida/seg lo convierten en uno de los modelos frontera más rápidos disponibles.

Solo API, sin pesos abiertos (por ahora). Las sesiones pesadas de agentes se vuelven costosas rápido — un usuario reportó $43 en 15 minutos de codificación autónoma. Las evaluaciones independientes muestran más varianza de lo que sugieren los benchmarks oficiales. No es la mejor opción para trabajo puro de UI/diseño.