El panorama público no deja un campeón único. Si se mira SWE-Bench Verified, Claude Opus 4.6 aparece como el punto de partida más fuerte, con resultados citados entre 79,2 % y 80,8 % ^[3][5][7][9]. Para flujos de agentes de programación en terminal, GPT-5.3-Codex tiene una de las mejores líneas de OpenAI, aunque el resultado cambia mucho según el agente que lo ejecute ^[1][3]. Y GPT-5.4, pese a ser el modelo más reciente de OpenAI en esta comparación, muestra una mejora directa pequeña frente a GPT-5.3-Codex en SWE-Bench Pro, no un salto definitivo ^[3].

Veredicto rápido: elige según tu carga de trabajo

Caso de uso	Primer modelo a probar	Evidencia	Principal cautela
Corrección de bugs en repositorios al estilo SWE-Bench Verified	Claude Opus 4.6	Los informes lo sitúan alrededor de 79,2 % a 80,8 % en SWE-Bench Verified [3][5][7][9].	No compares esos datos con SWE-Bench Pro Public como si fueran la misma prueba [6][7][10].
Agentes que programan desde terminal	GPT-5.3-Codex, pero con el mismo entorno de agente	Una comparación centrada en GPT-5.4 da a GPT-5.3-Codex un 77,3 % en Terminal-Bench 2.0, por encima de GPT-5.4 con 75,1 % y Claude Opus 4.6 con 65,4 % [3].	El leaderboard público clasifica pares agente/modelo; Claude Opus 4.6 llega a 79,8 % con ForgeCode [1].
Selección solo entre modelos de OpenAI	GPT-5.4, con expectativas moderadas	La comparación citada pone a GPT-5.4 en 57,7 % en SWE-Bench Pro frente al 56,8 % de GPT-5.3-Codex [3].	En la misma comparación, GPT-5.4 queda por debajo de GPT-5.3-Codex en Terminal-Bench 2.0 [3].
Sistemas muy dependientes de herramientas y MCP	GPT-5.4 merece una prueba aparte	El análisis de GPT-5.4 afirma que la búsqueda de herramientas reduce el uso de tokens MCP en un 47 % al cargar definiciones bajo demanda [3].	Ahorrar tokens no equivale automáticamente a ganar un benchmark de corrección de código [3].

La trampa: no todos los benchmarks cuentan lo mismo

SWE-Bench Verified y SWE-Bench Pro Public no son intercambiables

El caso más sólido de Claude Opus 4.6 viene de SWE-Bench Verified. Los informes citados lo colocan en 79,2 %, 79,4 % o 80,8 % en esa variante ^[3][5][7][9].

Con GPT-5.3-Codex hay más ruido porque las fuentes usan líneas distintas de SWE-Bench. Un análisis de GPT-5.4 lista a GPT-5.3-Codex con 56,8 % en SWE-Bench Pro, mientras que dos comparativas Opus-vs-Codex lo citan con 78,2 % en SWE-Bench Pro Public ^[3][6][7]. Eso no es una invitación a promediar los números: es una advertencia. Varias fuentes señalan que SWE-Bench Verified y SWE-Bench Pro Public no son directamente comparables ^[6][7][10].

Para GPT-5.4, la comparación más limpia dentro de OpenAI que aparece en estas fuentes es estrecha: 57,7 % en SWE-Bench Pro frente a 56,8 % para GPT-5.3-Codex ^[3]. Otro resumen también menciona el 57,7 % de GPT-5.4 en SWE-Bench Pro Public, pero advierte que el duelo más amplio frente a Claude no permite declarar un ganador universal ^[10].

En Terminal-Bench, el agente importa tanto como el modelo

Terminal-Bench 2.0 se presta a malentendidos porque su leaderboard público no ordena modelos aislados, sino pares de agente y modelo ^[1]. En esa tabla, GPT-5.3-Codex aparece con 78,4 % usando SageAgent, 77,3 % con Droid y 75,1 % con Simple Codex ^[1]. Claude Opus 4.6 aparece con 79,8 % usando ForgeCode, 75,3 % con Capy y 62,9 % con Terminus 2 ^[1].

Esa variación basta para cambiar el aparente ganador. La comparación centrada en GPT-5.4 muestra a GPT-5.3-Codex por encima de Claude Opus 4.6 en Terminal-Bench 2.0, 77,3 % frente a 65,4 % ^[3]. Pero el leaderboard público incluye una entrada ForgeCode/Claude Opus 4.6 con 79,8 %, por encima de la entrada SageAgent/GPT-5.3-Codex con 78,4 % ^[1]. La lectura práctica es clara: para tareas de terminal, hay que fijar el mismo agente, herramientas y configuración antes de atribuir la victoria al modelo.

Lectura modelo por modelo

Claude Opus 4.6: la señal más fuerte en reparación de repositorios

Si tu referencia principal es SWE-Bench Verified, Claude Opus 4.6 es el candidato mejor respaldado por estas fuentes. Sus resultados citados se agrupan alrededor del 79 % al 81 %: 79,2 % en el análisis de GPT-5.4, 79,4 % en comparativas Opus-vs-Codex y 80,8 % en otros resúmenes de benchmarks ^{[3][5][6][7][9]}.

Eso no significa que Opus 4.6 gane cualquier flujo de programación. Su historia en Terminal-Bench es mixta: algunas comparativas citan 65,4 %, mientras que el leaderboard público muestra 79,8 % cuando Opus 4.6 se combina con ForgeCode y 62,9 % con Terminus 2 ^[1][3][7][9]. Para reparación de bugs al estilo Verified, es el primer modelo a probar; para agentes de terminal, no conviene separarlo del entorno que lo ejecuta.

GPT-5.3-Codex: el OpenAI fuerte para trabajo en terminal

GPT-5.3-Codex tiene su mejor argumento cuando la carga se parece a un agente que opera en shell, ejecuta comandos y modifica archivos. En los informes comparativos aparece con 77,3 % en Terminal-Bench 2.0, y el leaderboard público lo lista con 78,4 % usando SageAgent, 77,3 % con Droid y 75,1 % con Simple Codex ^[1][3][7][9].

Su lectura en SWE-Bench exige más cuidado. Algunas fuentes ponen a GPT-5.3-Codex en 78,2 % en SWE-Bench Pro Public, mientras que otras lo listan con 56,8 % en SWE-Bench Pro ^[3][6][7][9]. Como las propias fuentes advierten que esas variantes no se deben mezclar, GPT-5.3-Codex debería evaluarse en la misma variante de SWE-Bench y con la misma configuración que vayas a usar en producción ^[6][7][10].

GPT-5.4: mejora moderada y una carta fuerte en herramientas

GPT-5.4 no aparece como un vuelco en programación dentro del conjunto de benchmarks citado. La comparación más directa le da una ventaja estrecha sobre GPT-5.3-Codex en SWE-Bench Pro, 57,7 % frente a 56,8 %, pero también lo muestra por debajo en Terminal-Bench 2.0, 75,1 % frente a 77,3 % ^[3].

El dato más distintivo de GPT-5.4 está en el uso de herramientas. El análisis citado afirma que la búsqueda de herramientas reduce el uso de tokens MCP en un 47 % al cargar definiciones bajo demanda, en lugar de meter todas las definiciones en el contexto ^[3]. Para agentes de código con muchas herramientas, eso puede ser una ventaja de sistema; aun así, debe medirse por separado de la precisión en benchmarks de bugs o terminal ^[3].

Cómo compararlos sin engañarte

1. Elige la variante antes de elegir ganador. SWE-Bench Verified, SWE-Bench Pro y SWE-Bench Pro Public no deberían juntarse en una sola tabla como si fueran una misma medición ^[6][7][10].
2. Mantén constante el agente en tareas de terminal. El leaderboard público de Terminal-Bench 2.0 muestra diferencias importantes según la pareja agente/modelo ^[1].
3. Separa precisión de eficiencia. La reducción del 47 % en tokens MCP reportada para GPT-5.4 puede ser valiosa en sistemas con muchas herramientas, pero no es lo mismo que ganar SWE-Bench o Terminal-Bench ^[3].
4. Trata los rankings mixtos como señales, no como sentencia. Las fuentes citadas apoyan ganadores distintos según benchmark, variante y entorno de agente; por eso un ranking universal exageraría la evidencia ^{[1][3][6][7][10]}.

Conclusión

Empieza con Claude Opus 4.6 si tu prioridad es corregir bugs en repositorios al estilo SWE-Bench Verified. Incluye GPT-5.3-Codex en cualquier prueba seria de agentes de terminal. Y prueba GPT-5.4 si necesitas el modelo más nuevo de OpenAI o si quieres medir su eficiencia en búsqueda de herramientas y uso de tokens MCP ^{[1][3][5][7][9]}.

La conclusión más segura no es que un modelo domine toda la programación. Es que el ganador cambia según la variante del benchmark, el agente que ejecuta la tarea y el tipo de trabajo que realmente vas a poner en producción ^{[1][6][7][10]}.