GLM 5.2 vs Qwen 3.7 Max vs Claude Opus 4.8

El modelo que encabezó la tabla de benchmarks perdió cuatro de mis cinco pruebas.

Quiero empezar por ahí porque ese es todo el punto, y yo mismo casi no lo creí. Había alineado GLM 5.2 vs Qwen 3.7 Max vs Claude Opus 4.8 esperando que Qwen ganara fácilmente — lidera las tablas publicadas de agentic-coding, Alibaba ha sido ruidoso sobre las puntuaciones de Terminal-Bench y SWE-Bench Pro, y sobre el papel debería haber sido la elección obvia. Entonces les di a los tres exactamente los mismos prompts, un solo intento cada uno, sin reintentos, sin "prueba eso de nuevo," y vi cómo el líder del ranking me entregó un voxel runner que era técnicamente funcional y completamente sin vida. Mientras tanto, un modelo chino de pesos abiertos que ni siquiera ha publicado benchmarks de la versión 5.2 seguía entregando cosas que realmente eran divertidas de usar.

Esa brecha — entre lo que un leaderboard promete y lo que aparece en tu pantalla — es de lo que trata toda esta prueba. Si estás eligiendo un modelo de codificación ahora mismo basándote en un número de SWE-Bench que viste en un tweet de lanzamiento, esperaría a que leas lo que pasó cuando hice competir a estos tres en tareas idénticas y reales sin segundas oportunidades.

Un descargo de responsabilidad honesto por adelantado, el mismo que hago cada vez: te diré exactamente lo que ejecuté de forma práctica y dónde me apoyo en afirmaciones de proveedores. Los números de versión aquí — GLM 5.2, Qwen 3.7 Max, Claude Opus 4.8 — son todos modelos reales, lanzados a partir de junio de 2026, y he verificado sus detalles de lanzamiento. Donde una cifra de benchmark proviene del propio deck de un proveedor, lo diré, porque toda la lección de este artículo es que no deberías confiar ciegamente en esos números. Incluidos los míos.

Los Tres Modelos, y Por Qué Esta Comparación Es Realmente Justa

Un breve contexto antes de las pruebas, porque si los participantes no son comparables, los resultados son ruido.

GLM 5.2 fue lanzado por Z.ai (la escisión de Zhipu AI) el 13 de junio de 2026. Es un modelo mixture-of-experts con 744B de parámetros y aproximadamente 40B parámetros activos por token, una ventana de contexto genuina de 1M de tokens, y — este es el titular que sigue importando — pesos abiertos con licencia MIT. Cubrí su lanzamiento en detalle en mi resumen semanal de IA sobre GLM-5.2, Fable 5 y DiffusionGemma, así que no voy a repetir la hoja de especificaciones aquí. El hecho relevante para esta prueba: Z.ai publicó benchmarks para GLM 5.1, no 5.2. Así que cuando GLM 5.2 gana algo abajo, gana sin un benchmark detrás del cual esconderse.

Qwen 3.7 Max es el buque insignia de Alibaba, anunciado en la Cumbre de Alibaba Cloud en Hangzhou el 20 de mayo de 2026, también con una ventana de 1M de tokens. Las tablas publicadas de Alibaba lo sitúan en aproximadamente 60,6 en SWE-Bench Pro y afirman que supera a la generación anterior de Claude Opus en Terminal-Bench 2.0 y MCP-Atlas. Está posicionado claramente como un modelo agente — construido para llamadas a herramientas, orquestación y cadenas de tareas de largo horizonte.

Claude Opus 4.8 llegó de Anthropic el 28 de mayo de 2026 a precios sin cambios ($5 por millón de entrada, $25 por millón de salida). Su propio número de SWE-Bench Pro es 69,2% — y vale la pena notar que esto es en realidad más alto que la cifra publicada de Qwen, lo que ya complica la historia de "Qwen lidera los benchmarks" con la que llegué. Anthropic también lanzó Dynamic Workflows, permitiendo que Claude Code lance subagentes paralelos.

Aquí está el giro que la fuente de esta prueba señaló, y quiero ser directo al respecto. Había visto circular una cifra de SWE-Bench del 80,4% para Qwen 3.7 Max. No pude verificar ese número contra las propias tablas publicadas de Alibaba, que muestran aproximadamente 60,6 en SWE-Bench Pro. Así que trato el 80,4% como una afirmación no verificable cercana al proveedor y no la afirmo como hecho. Los números verificados, reportados por terceros, cuentan una historia diferente a la del bombo — Opus 4.8 con 69,2% se sitúa por encima de la puntuación Pro publicada de Qwen. Guarda eso; se vuelve más interesante cuando llegan los resultados del mundo real.

La prueba en sí: cinco tareas, cada modelo recibe el prompt idéntico, un intento, sin repeticiones. Como realmente los usarías en una CLI un martes — no como un arnés de benchmark los mima con reintentos y scaffolding.

Cómo Ejecuté la Prueba de Un Solo Intento (y Por Qué "Un Solo Intento" Importa)

Las reglas fueron deliberadamente estrictas, porque la indulgencia es exactamente cómo los benchmarks te mienten.

Un prompt por tarea. Lo que el modelo produjo en el primer paso es lo que fue calificado. Sin "arregla el bug," sin "hazlo más interesante," sin relanzar hasta que me gustara. La mayoría de las puntuaciones de benchmark permiten silenciosamente múltiples intentos, scaffolding de agentes, o muestreo best-of-N — y eso infla los números de una manera que no tiene nada que ver con tu experiencia cuando lanzas un solo prompt y esperas.

Califiqué en tres ejes que un leaderboard no puede capturar: ¿funciona, es realmente bueno, y querría un humano usarlo? Ese tercer eje es el decisivo. Un juego de voxels puede compilar limpiamente, correr a 60fps, y aun así llegar muerto porque es aburrido. Ninguna celda de SWE-Bench tiene una columna para "divertido." Esa omisión resulta explicar la mayor parte de la brecha entre los rankings y la realidad.

Cinco tareas, elegidas para cubrir el espectro: un juego 3D de voxel runner, un mapa orbital del sistema solar interior, una simulación de física de líquido en una bola, una landing page de marketing, y un juego arcade clásico. Dos son game-dev (creativo + interactivo), dos se inclinan hacia simulación y física, uno es puramente front-end. Juntas estresan la calidad visual, el diseño de interacción, la matemática física, el sentido de layout, y esa intangible cualidad de "¿es esto delightful?" todo al mismo tiempo.

Antes de mostrarte la scorecard, algo para tener en mente: esperaba que esto fuera reñido. No lo fue.

La Scorecard: Resultados de Un Solo Intento en las Cinco Tareas

Aquí es donde aterrizó cada modelo, cara a cara, sin reintentos.

Cuatro a uno para GLM 5.2. El modelo agente líder en benchmarks, Qwen 3.7 Max, ganó exactamente cero tareas. Y Claude Opus 4.8 — el modelo con la puntuación verificada más alta de SWE-Bench Pro de los tres — ganó una sola tarea y fracasó en el resto del trabajo creativo.

Si solo te llevas una cosa de este artículo, que sea la forma de esa tabla. Los rankings publicados habrían predicho a Qwen primero, Opus segundo, GLM en algún lugar detrás sin números 5.2 a su nombre. En la práctica, el orden casi se invirtió. Ahora déjame explicarte por qué, tarea por tarea, porque las razones son más útiles que el veredicto.

Voxel Runner: Donde "Funciona" y "Bueno" Se Separan

La primera tarea trazó la línea más limpia de toda la prueba.

Les pedí a los tres un voxel runner 3D — piensa en un endless-runner donde esquivas y saltas por un mundo de bloques. GLM 5.2 devolvió algo con lo que realmente quería seguir jugando. El movimiento tenía peso, la cámara seguía de manera sensata, el mundo tenía suficiente variedad visual para que no se sintiera como mirar una sola textura. Era divertido. Esa palabra importa más de lo que parece.

Qwen 3.7 Max también produjo un voxel runner — y en la base pura de "¿compiló y corrió?", pasó. Pero tenía bugs persistentes de formas pequeñas, y peor aún, era aburrido. Iluminación plana, sin sensación de velocidad, el tipo de cosa que técnicamente satisface el prompt y no satisface nada más. Esta es exactamente la trampa de calificar por "tarea resuelta." Qwen resolvió la tarea. Un sistema tipo SWE-Bench lo marcaría verde. Un humano cerraría la pestaña en diez segundos.

Claude Opus 4.8 fue la sorpresa aquí, y no una buena. Su voxel runner fue el más básico de los tres — funcional, código limpio debajo, casi seguro, pero visual y experiencialmente delgado. Para un modelo que lidera los benchmarks verificados de coding, ver que producía el juego menos atractivo de los tres fue la primera grieta en mis suposiciones.

La lección que ya se cristaliza: estos modelos no difieren en corrección. Difieren en gusto. Y el gusto es lo que nadie benchmarkea.

Mapa Orbital: La Única Victoria Clara de Claude, y Es Real

No quiero que esto se lea como una coronación de GLM, porque la tarea del mapa orbital mostró algo genuinamente importante sobre Claude Opus 4.8.

El prompt: construye un mapa interactivo del sistema solar interior — el Sol, Mercurio hasta Marte, órbitas renderizadas claramente, idealmente algo con lo que puedas interactuar. Esta es la única tarea donde la precisión y el razonamiento espacial estructurado importan más que el ambiente, y Claude lo dominó. Su mapa orbital fue el más interactivo y el más claro por un margen amplio: trayectorias orbitales legibles, escalado sensato, interacción fluida, el tipo de output donde inmediatamente entiendes lo que estás viendo.

GLM 5.2, el ganador general de la prueba, entregó aquí mala calidad visual — la única tarea que claramente perdió. Qwen aterrizó en el medio: aceptable, pero débil, nunca pasando de "bien."

Esto es lo que saco de ahí. Cuando una tarea trata fundamentalmente de corrección y claridad — precisión espacial, layout estructurado, relaciones matemáticas que no puedes falsear — las fortalezas de Claude Opus 4.8 aparecen exactamente donde su perfil de benchmark dice que deberían estar. Este es el modelo al que recurres cuando "se ve impresionante" importa menos que "es inequívocamente correcto." Su 69,2% de SWE-Bench Pro no es una mentira; simplemente mide una porción más estrecha de utilidad de lo que el marketing implica.

Ese matiz es el núcleo honesto de toda esta comparación: ningún modelo es malo. Tienen formas diferentes. Claude perdió la mayoría de las tareas creativas no porque sea débil, sino porque la interactividad creativa no es donde vive su ventaja. Ten eso presente, porque cambia la recomendación al final.

Líquido en una Bola y la Landing Page: El Patrón de GLM Se Mantiene

Dos tareas más, y el mismo tema seguía repitiéndose con consistencia casi aburrida.

La simulación de líquido en una bola — fluido chapoteando dentro de una esfera, idealmente algo que puedas inclinar y con lo que interactuar — fue de nuevo para GLM 5.2. Su versión tenía animación genuinamente bonita e interactividad real; podías sentir la física respondiendo. La de Qwen fue menos atractiva, el movimiento más rígido y menos vivo. La de Claude fue, en una palabra, aburrida — la física probablemente era correcta, pero correcto no es lo mismo que cautivador, y una simulación de fluidos con la que nadie quiere interactuar ha fallado en su tarea real.

La landing page contó la misma historia desde un ángulo diferente. Pedí una landing page de marketing, y GLM 5.2 devolvió algo bien estructurado con animación pensada — un layout con jerarquía, secciones que fluían, movimiento que guiaba la mirada. Qwen me entregó algo cercano a un canvas vacío: técnicamente una página, prácticamente un punto de partida que tendrías que construir desde cero. La de Claude fue básica y sin inspiración, funcional pero plana.

He construido suficientes landing pages reales — para el trabajo de clientes de Ramlit y mis propios proyectos — para conocer la diferencia entre "una página existe" y "una página vende." GLM 5.2 fue el único de los tres que parecía entender que hay una diferencia.

Si prefieres que alguien construya un flujo de trabajo de codificación multi-modelo que dirija cada tarea al modelo que realmente es mejor en ella — en lugar de apostar toda tu pila en un ganador de leaderboard — ese es exactamente el tipo de trabajo de integración que acepto. Puedes ver lo que he entregado en fiverr.com/s/EgxYmWD.

El Juego Arcade: Una Bola que Desaparece lo Decide

La última tarea fue casi cómicamente esclarecedora.

Un juego arcade clásico — piensa en paddle-and-ball, territorio de brick-breaker. GLM 5.2 lo hizo altamente cautivador y divertido, alcanzando su ritmo ya familiar. Claude Opus 4.8 fue más jugable que Qwen, aterrizando en un respetable segundo lugar. ¿Y Qwen 3.7 Max? La bola de Qwen desapareció a mitad del juego. El objeto más importante en un juego arcade basado en bolas se desvaneció en el vacío.

Tómate un segundo para asimilar eso junto a la posición de benchmark de Qwen. Este es, sobre el papel, el líder de agentic-coding — números fuertes de SWE-Bench, construido para tareas complejas de múltiples pasos. Y en una construcción arcade de un solo intento, perdió la bola. No un bug de lógica sutil enterrado tres funciones más abajo. La bola literal, desaparecida.

Eso es toda la tesis de este artículo comprimida en un sprite. Las puntuaciones de benchmark miden el rendimiento de un modelo en un conjunto curado de problemas bajo condiciones favorables. No miden si tu único prompt real produce algo que funciona de principio a fin. La brecha entre esas dos cosas es donde se cometen la mayoría de los errores de selección de modelos.

Por Qué los Benchmarks Me Mintieron (y Probablemente a Ti También)

Es hora de mirar bajo el capó de la desconexión, porque entender por qué sucede te convierte en un mejor selector de modelos que cualquier leaderboard.

Los benchmarks de proveedores son ejecutados por las personas que se benefician del resultado. Eso no es una acusación de fraude — es simplemente estructural. Cuando Alibaba reporta el SWE-Bench Pro de Qwen 3.7 Max en 60,6, lo ejecutaron bajo condiciones que ellos eligieron, en un conjunto de tareas que recompensa aquello para lo que su modelo está optimizado. Incluso números completamente honestos reflejan una configuración que nunca reproducirás en tu terminal. Y las cifras no verificadas que circulan — como ese 80,4% que no pude confirmar — lo empeoran, porque entran en la conversación como hechos y se repiten hasta que todos "saben" que Qwen lidera.

Luego está la forma de lo que los benchmarks prueban. SWE-Bench mide la resolución de issues reales de GitHub — parchear bugs en codebases existentes. Eso es genuinamente valioso, y por eso el 69,2% de Claude Opus 4.8 es significativo para trabajo de mantenimiento. Pero "parchea este bug de Django" y "constrúyeme un voxel runner divertido desde cero" son músculos completamente diferentes. Un modelo puede ser elite en lo primero y mediocre en lo segundo, y un benchmark construido alrededor de lo primero no te dirá nada sobre lo segundo.

Aquí está la parte que la mayoría de la gente pasa por alto: no hay un benchmark para el gusto. Ninguna columna de leaderboard para "¿es esta landing page algo de lo que un humano estaría orgulloso de lanzar?" o "¿es este juego divertido?" Esas cualidades son el producto real cuando haces trabajo creativo o de front-end — y son exactamente donde GLM 5.2 seguía ganando a pesar de no tener cifras publicadas de 5.2 a las que apuntar. Lo que mejor hace es lo que nadie puntúa.

Mi modelo mental corregido después de esta prueba: trata cada benchmark como una medición de una sola capacidad estrecha bajo condiciones ideales de laboratorio, y trata tu propia prueba de un solo intento como el único número que predice tu experiencia real. Ejecuta tres prompts que realmente te importen a través de cada modelo antes de comprometerte. Toma veinte minutos y anulará cien tweets de leaderboard.

La Pregunta de Integración: Hermes Agent y Lo Que Realmente Conecta

Hay una dimensión de esta comparación que no tiene nada que ver con la calidad del output, y para algunos de ustedes importará más que cualquier resultado de prueba.

La fuente de esta prueba ejecutó GLM 5.2 y Qwen 3.7 Max dentro de un sistema operativo de agentes que llamó Hermes Agent — un dashboard para orquestar múltiples modelos, encadenar tareas y ejecutar colaboración entre agentes. Quiero ser transparente: no pude verificar independientemente "Hermes Agent" como un producto mainstream ampliamente documentado, así que lo presento como la capa de orquestación que esta prueba específica usó, no como una herramienta que respaldo o afirmo como estándar de la industria. La categoría — un dashboard unificado que orquesta múltiples modelos — es real y creciente, sin importar cómo se llame el producto específico.

Lo relevante es el hallazgo estructural, porque se generaliza a cualquier plataforma de orquestación: GLM 5.2 y Qwen 3.7 Max se conectaron directamente a ese OS de agentes. Claude Opus 4.8, en esa configuración, no lo hizo. Si tu flujo de trabajo vive dentro de una capa de orquestación multi-modelo donde los modelos se pasan tareas entre sí, esa brecha de integración es decisiva independientemente de quién gane un duelo de juegos de voxels. Un modelo que no puede unirse a tu malla de agentes no es un contendiente para ese trabajo, punto.

Y dentro de flujos de trabajo de agentes específicamente, los rankings se reorganizan de nuevo. Para tareas de agente tipo investigación — ir a recopilar, sintetizar, reportar — Qwen 3.7 Max produjo output más exhaustivo y útil que GLM 5.2, cuyas respuestas de tareas de agente resultaron más breves y menos efectivas. Qwen también tendía a responder más rápido en consultas prácticas de agentes. Así que el modelo que perdió cada one-shot creativo lidera silenciosamente en rendimiento de investigación agéntica y velocidad. GLM 5.2, por el contrario, fue más fuerte como modelo de codificación directa en una CLI, donde su calidad creativa y de software brilló pero sus respuestas de agente integrado a veces corrían más lentas.

He escrito antes sobre tratar el OS agéntico como tres capas distintas, y esta prueba lo refuerza: el modelo que es mejor generando algo y el modelo que es mejor orquestando un flujo de trabajo pueden ser dos modelos diferentes. Construir alrededor de esa realidad es más poderoso que coronar un solo ganador.

Resultados: Lo Que Esto Realmente Predice para Tu Trabajo

Déjame traducir cinco pruebas de game-dev en decisiones que realmente enfrentarás.

Para codificación creativa y front-end directa — landing pages, juegos, simulaciones, cualquier cosa donde la calidad y el placer del output son el producto — GLM 5.2 fue el claro destacado en mi prueba de un solo intento, y el hecho de que sean pesos abiertos con licencia MIT significa que puedes auto-alojarlo sin factura por token a escala. Esa combinación es difícil de superar para trabajo creativo intensivo en construcción.

Para tareas de precisión y claridad — visualización de datos, layouts estructurados, cualquier cosa donde ser inequívocamente correcto supera ser llamativo — Claude Opus 4.8 ganó su victoria en el mapa orbital honestamente, y su 69,2% verificado en SWE-Bench Pro lo respalda para corrección de bugs y mantenimiento. Este es el modelo para "hazlo correcto," no "hazlo deslumbrante."

Para orquestación de agentes y rendimiento de investigación — tool-calling de múltiples pasos, tareas de recopilar-y-sintetizar, cualquier cosa dentro de un dashboard multi-modelo donde la velocidad y la exhaustividad importan — Qwen 3.7 Max redimió su puntuación creativa de cero en cinco. Respuestas de agente más rápidas y output de investigación más exhaustivo es una fortaleza real y útil, solo que no la que los leaderboards me hicieron esperar.

Fíjate en lo que acaba de pasar: cada modelo ganó una categoría diferente, y ninguna de esas categorías es "puntuación de benchmark más alta." Ese es el beneficio práctico. La respuesta correcta a "¿qué modelo es el mejor?" es una pregunta de vuelta — ¿el mejor en qué, dentro de qué flujo de trabajo?

La configuración que realmente ejecutaría, y la recomendación de la fuente con la que estoy completamente de acuerdo: un dashboard unificado con los tres (o tus picks equivalentes), dirigiendo cada tarea al modelo que genuinamente es más fuerte en ella. GLM 5.2 para la construcción, Claude Opus 4.8 para las piezas de precisión, Qwen 3.7 Max para el trabajo de agente. Un stack, tres especialistas. He visto un equipo de agentes de video IA ejecutar end-to-end en GLM 5.2 dentro de una capa de orquestación y producir autónomamente contenido terminado — el dashboard multi-modelo no es teórico, es cómo el trabajo serio de agentes ya se realiza.

Preguntas Frecuentes

¿Es GLM 5.2 mejor que Claude Opus 4.8 para programar?

Para codificación creativa y front-end, GLM 5.2 ganó cuatro de mis cinco pruebas de un solo intento, incluyendo juegos y landing pages. Para precisión y corrección de bugs, la puntuación verificada de 69,2% en SWE-Bench Pro de Claude Opus 4.8 y su victoria en el mapa orbital lo hacen la elección más fuerte. Son mejores en diferentes trabajos — consulta el desglose tarea por tarea arriba.

¿Qwen 3.7 Max realmente lidera los benchmarks?

Qwen 3.7 Max lidera varias tablas agénticas publicadas, pero su cifra verificada de SWE-Bench Pro es aproximadamente 60,6 — en realidad por debajo del 69,2% de Claude Opus 4.8. Una cifra ampliamente circulada de 80,4% no pudo ser verificada contra las propias tablas de Alibaba, así que trátala como una afirmación no confirmada, no como un hecho.

¿Por qué el modelo líder en benchmarks perdió la prueba del mundo real?

Los benchmarks miden capacidades estrechas bajo condiciones favorables de laboratorio con múltiples intentos; mi prueba fue un intento por tarea, calificada parcialmente por si el output era realmente bueno y usable. No hay columna de benchmark para "divertido" o "bien diseñado," que es exactamente donde GLM 5.2 seguía ganando.

¿Puede Claude Opus 4.8 conectarse a un dashboard de agente multi-modelo?

En la configuración de orquestación usada para esta prueba, GLM 5.2 y Qwen 3.7 Max se integraron directamente mientras que Claude Opus 4.8 no lo hizo. Si tu flujo de trabajo depende de una capa de agente multi-modelo, verifica el soporte de integración antes de comprometerte, porque puede anular la calidad bruta del output para ese trabajo.

¿Cuál es la mejor manera de elegir un modelo de codificación IA en 2026?

Ejecuta tres prompts que realmente te importen a través de cada candidato, un intento cada uno, y califica si el output funciona y si realmente lo lanzarías. Veinte minutos de pruebas prácticas predicen tu experiencia real mejor que cualquier leaderboard. Para más contexto, consulta mi resumen semanal de IA sobre los mismos modelos.

La Bola que Desaparece, Una Vez Más

Sigo volviendo a la bola que desaparece de Qwen, porque es el momento más honesto de toda la prueba.

Aquí había un modelo que, por los números, debería haber sido la elección segura — el líder de agentic-coding, fuerte sobre el papel, construido para exactamente este tipo de trabajo. Y en un solo prompt real, sin reintento para salvarlo, perdió el único objeto alrededor del cual se construyó todo el juego. Ningún benchmark me habría dicho eso jamás. Solo ejecutarlo lo hizo.

Así que aquí está la única cosa que hacer en las próximas veinticuatro horas, sea cual sea el modelo hacia el que te inclines: no tomes mi scorecard, y no tomes un leaderboard. Toma tres prompts que representen tu trabajo real, pasa cada uno exactamente una vez por tus dos mejores candidatos, y califícalos como un usuario en lugar de como un benchmark. El modelo que sobreviva a esa prueba es tu modelo. Todo lo demás es el marketing de otra persona — incluyendo, si te saltas la prueba, este artículo.

Trabajemos Juntos

¿Quieres construir sistemas de IA, automatizar flujos de trabajo o escalar tu infraestructura tecnológica? Me encantaría ayudar.

• Fiverr (builds e integraciones personalizadas): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (soluciones empresariales): ramlit.com
• ColorPark (diseño y branding): colorpark.io
• xCyberSecurity (servicios de seguridad): xcybersecurity.io