Coding — AI That Writes Production Code

El nuevo rey del coding agéntico. El modelo de clase Mythos de Anthropic no solo lidera los benchmarks — los reescribe. SWE-Bench Pro 80,3% demolió al campo. FrontierCode Diamond 29,3% es 5× GPT-5.5. Stripe migró 50 millones de líneas de Ruby en un día. Eficiente en tokens, nativo en visión y construido para el tipo de trabajo de ingeniería de largo horizonte que separa a las herramientas de los compañeros de equipo.

SWE-Bench Pro 80,3% (SOTA — 21,7 puntos por encima de GPT-5.5). FrontierCode Diamond 29,3% (5× el 5,7% de GPT-5.5, 2× el 13,4% de Opus 4.8). CursorBench SOTA. Senior Engineer Benchmark 91/100 (vs 62/100 de GPT-5.5). Migración de base de código de 50M de líneas en un día. Completación de juegos solo con visión. Integración con Claude Code. 1M de contexto.

Precio premium de $10/$50 por M de tokens (2× Opus 4.8). Salvaguardas conservadoras redirigen <5% de las sesiones a Opus 4.8 (temas de ciberseguridad, biología). Benchmarks independientes aún emergiendo. Límites de uso durante alta demanda en planes Pro/Max. Se aprovecha mejor a través de Claude Code o IDEs compatibles.

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 nuevo estándar de oro para la ingeniería de software agéntica — más rápido, más honesto y dramáticamente mejor manteniéndose en curso durante tareas complejas y de larga duración. SWE-Bench Pro 69,2% no solo supera a todos los demás modelos — supera a su propio predecesor por casi 5 puntos. Dynamic Workflows lanzan cientos de agentes paralelos. Y un sistema de auto-verificación que es 4× menos propenso a dejar pasar código defectuoso. No es una actualización incremental — es el modelo que Opus 4.7 debió haber sido.

SWE-Bench Pro 69,2% (nuevo SOTA — supera el 58,6% de GPT-5.5 y el 64,3% de Opus 4.7 por un margen masivo). CursorBench el más fuerte en todos los niveles de esfuerzo. 100% end-to-end en el benchmark Super-Agent (único modelo). Dynamic Workflows para tareas de codebases grandes. Mismo precio que Opus 4.7 ($5/$25). Disponible en todas partes: Claude.ai, API, Bedrock, Vertex, GitHub Copilot.

Aún con precios premium ($5/$25 por 1M de tokens — igual que 4.7, pero el output es más barato que los $30 de GPT-5.5). Las trazas de pensamiento más largas en problemas difíciles aumentan la latencia y el consumo de tokens. El tokenizador puede inflar costos 15–35% en prompts pesados de código. Las medidas de seguridad siguen estrictas. GPT-5.5 lidera en Terminal-Bench (78,2% vs 74,6%). Mejor experiencia en Claude Code o IDEs compatibles.

El modelo de pesos abiertos de Zhipu AI acaba de tomar el puesto #1 en Design Arena — el primer modelo abierto en liderar esa tabla. SWE-bench Pro 62,1%, Terminal-Bench 82,7, FrontierSWE 74,4% (1% detrás de Opus 4.8). AkitaOnRails saltó de 46/100 a 87/100 — la mayor mejora intra-familia jamás registrada. Licencia MIT, contexto de 1M tokens, y dos niveles de razonamiento.

Design Arena #1 (Elo 1360 — superó a Claude Fable 5), AkitaOnRails 87/100 Tier A (+41 puntos desde GLM-5.1), SWE-bench Pro 62,1% (supera GPT-5.5 y Qwen 3.7 Max), Terminal-Bench 82,7 (Claude Code — supera Opus 4.8), FrontierSWE 74,4%. Modelo open-source más alto en todos los benchmarks de coding a largo plazo. Licencia MIT sin restricciones.

Detrás de líderes cerrados en benchmarks de profundidad — Opus 4.8 lidera en SWE-bench Pro (69,2 vs 62,1) y NL2Repo (69,7 vs 48,9). Arquitectura 744B MoE requiere hardware serio. Sin visión nativa. lmarena general: posición media-alta.