Parte 2: Alternativas a Claude Opus 4.7 1M para ingenieros en 2026

TL;DR

• Claude Opus 4.7 sigue siendo la referencia premium para el trabajo de ingeniería con agentes y contexto de 1M: contexto de 1M, salida máxima de 128K, pensamiento adaptativo, presupuestos de tareas, compatibilidad con imágenes de alta resolución y buen desempeño en tareas prolongadas.
• DeepSeek V4 Pro es la alternativa de pesos abiertos más interesante con contexto de 1M si te importan el costo, las opciones de despliegue abiertas, las API compatibles con OpenAI y Anthropic, y los benchmarks de programación con agentes.
• DeepSeek V4 Flash es la alternativa económica y pragmática: el mismo contexto oficial de 1M, precios mucho más bajos, menos parámetros activos y, probablemente, una mejor opción para agentes de ingeniería de alto volumen.
• Gemini 3.1 Pro Preview es la alternativa más sólida de Google para flujos de ingeniería multimodales, con muchas herramientas y contextos extensos, especialmente cuando importan Google Search, el contexto de URL, la ejecución de código, Maps o la integración con Google Cloud.
• Gemini 3.5 Flash es la opción más interesante de «frontera rápida»: entrada de 1M, salida de 65K, entradas multimodales, ejecución de código, caché y un posicionamiento orientado a tareas sostenidas de agentes y programación a menor costo.
• GPT-5.5 es la alternativa más sólida de OpenAI: contexto de 1.05M, salida de 128K, entrada de texto e imágenes, herramientas alojadas, un fuerte enfoque en programación y un multiplicador de precio para contextos extensos por encima de 272K tokens de entrada.
• Kimi K2.6 no reemplaza a un modelo con contexto de 1M. Es un modelo de código abierto para programación y agentes, con contexto de 256K, al que vale la pena seguir si puedes usar recuperación, compactación o descomposición entre múltiples agentes.

Si la Parte 1 trató sobre la diferencia de arquitectura entre las ventanas de contexto de 1M y 200K, esta Parte 2 trata sobre la elección del proveedor y del modelo: ¿qué debería probar un equipo de ingeniería si Claude Opus 4.7 1M es demasiado costoso, demasiado cerrado, demasiado lento o no se ajusta a las restricciones de despliegue?

Qué aprenderás aquí

• Qué modelos de 2026 son alternativas viables a Claude Opus 4.7 1M
• Por qué «contexto de 1M» no es información suficiente para elegir un modelo
• En qué casos encajan GPT-5.5, DeepSeek V4 Pro, V4 Flash, Gemini 3.1 Pro, Gemini 3.5 Flash y Kimi K2.6
• Cómo diseñar una evaluación de ingeniería antes de reemplazar Opus en un pipeline de agentes
• Un patrón sencillo de enrutamiento para agentes de ingeniería con contextos extensos

La referencia: por qué es difícil reemplazar Opus 4.7

Al May 22, 2026, la documentación de Anthropic describe Claude Opus 4.7 como su modelo más capaz de disponibilidad general, con una ventana de contexto de 1M tokens, 128K tokens de salida máxima, pensamiento adaptativo y, en términos generales, el mismo conjunto de funciones de herramientas y plataforma que Opus 4.6.

Para los equipos de ingeniería, lo importante no es solo el tamaño de la ventana.

Opus 4.7 es interesante porque la plataforma que lo rodea está diseñada para agentes de larga duración:

• conciencia del contexto y actualizaciones del presupuesto de contexto
• compactación del lado del servidor para conversaciones extensas
• pensamiento adaptativo en lugar de presupuestos de pensamiento manuales
• presupuestos de tareas para delimitar los ciclos de los agentes
• compatibilidad con imágenes de alta resolución para capturas de pantalla, documentos y flujos de uso de computadora
• precios sin un recargo separado por contexto extenso en la API propia de Anthropic

Eso hace que Opus 4.7 se parezca menos a «un modelo con 1M tokens» y más a «un modelo acompañado de un harness diseñado para trabajo prolongado».

Así que la pregunta sobre su reemplazo debería ser:

¿Qué alternativa nos da suficiente contexto, calidad y control para nuestro flujo de ingeniería específico?

No:

¿Qué modelo tiene 1M en la ficha técnica?

La lista corta de 2026

Recomendación rápida

Para la mayoría de los equipos de ingeniería que buscan una alternativa a Opus 4.7 1M, yo probaría en este orden:

Need a true 1M replacement?
    |
    +--> Need open weights or much lower cost?
    |       |
    |       +--> Test DeepSeek V4 Pro and DeepSeek V4 Flash
    |
    +--> Need Google tools, multimodal docs, URL context, or code execution?
    |       |
    |       +--> Test Gemini 3.1 Pro and Gemini 3.5 Flash
    |
    +--> Need OpenAI ecosystem, strong coding, cached inputs?
            |
            +--> Test GPT-5.5, but price long prompts carefully

Can accept 256K with retrieval/compaction?
    |
    +--> Test Kimi K2.6 for agentic coding and open-model workflows

Mis opciones predeterminadas:

• DeepSeek V4 Flash para experimentos de alto volumen con contextos de 1M donde el costo es el factor principal.
• DeepSeek V4 Pro para agentes de programación de pesos abiertos cercanos a la frontera, cuando la calidad importa más.
• Gemini 3.5 Flash para ciclos rápidos de agentes multimodales.
• Gemini 3.1 Pro para flujos de razonamiento más exigentes integrados con Google.
• GPT-5.5 cuando ya dependes de las herramientas de OpenAI, necesitas herramientas alojadas y puedes manejar el salto de precio para contextos extensos.
• Opus 4.7 cuando necesitas la mejor posibilidad de realizar trabajo autónomo prolongado y confiable, y el presupuesto lo permite.

1. DeepSeek V4 Pro: la presión de los pesos abiertos

La página oficial de preview de V4 de DeepSeek indica que DeepSeek V4 ya está disponible y es de código abierto, con dos variantes:

• DeepSeek V4 Pro: 1.6T parámetros en total, 49B activos
• DeepSeek V4 Flash: 284B parámetros en total, 13B activos

La página oficial de precios de DeepSeek indica que tanto deepseek-v4-pro como deepseek-v4-flash ofrecen contexto de 1M, salida máxima de 384K, modos con y sin pensamiento, URL base en los formatos de OpenAI y Anthropic, salida JSON, llamadas a herramientas, completado de prefijos de chat y completado FIM en modo sin pensamiento.

Es un conjunto de capacidades importante para ingeniería.

Por qué V4 Pro es interesante:

• pesos abiertos
• contexto oficial de 1M
• salida máxima muy amplia
• compatibilidad con las API de OpenAI y Anthropic
• precios bajos en la API oficial frente a los modelos cerrados premium
• enfoque explícito en programación con agentes y eficiencia con contextos extensos

La principal precaución para ingeniería es la madurez. La documentación oficial de DeepSeek describe V4 como una versión en preview. Eso no significa que no se pueda usar, pero sí cambia la forma en que lo adoptaría:

Do not start with:
  replace Opus 4.7 everywhere

Start with:
  route selected long-context coding tasks to V4 Pro
  compare traces, retries, diffs, tool calls, and final PR quality

Mejor opción para:

• análisis de toda una base de código
• investigación con contextos extensos a menor costo
• experimentación con pesos abiertos
• agentes internos donde se pueda tolerar el ajuste del modelo o del proveedor
• equipos que quieran la opción de alojarlo por cuenta propia o usar servicios de terceros

Menos adecuado para:

• flujos regulados que requieren garantías consolidadas del proveedor
• cambios autónomos de alto impacto sin revisión humana
• equipos que no pueden dedicar tiempo a evaluaciones específicas del modelo y al ajuste del harness

2. DeepSeek V4 Flash: el primero que probaría por costo

V4 Flash es la sorpresa práctica.

Tiene la misma categoría de contexto oficial de 1M y salida máxima de 384K que V4 Pro, pero DeepSeek lo posiciona como un modelo más pequeño, rápido y económico. La página oficial de precios muestra una gran diferencia entre Flash y Pro, especialmente en el precio de salida.

Eso importa porque los agentes con contextos extensos no suelen fallar únicamente por el precio de entrada. El problema son los ciclos repetidos:

Read broad context
    |
    v
Think
    |
    v
Call tools
    |
    v
Read tool output
    |
    v
Think again
    |
    v
Generate patch / plan / review

Si el modelo es lo suficientemente económico, puedes permitirte más exploración, más reintentos y más tráfico de evaluación.

Mejor opción para:

• asistentes de revisión de código de alto volumen
• clasificación inicial de documentos extensos
• flujos de «lee todo este paquete y clasifica los riesgos»
• subrutinas de agentes para las que el razonamiento premium es excesivo
• análisis por lotes donde el costo importa más que los últimos puntos de calidad

Menos adecuado para:

• razonamiento difícil donde Pro ofrece una mejora significativa
• planificación de arquitectura compleja con restricciones ambiguas
• flujos de cara al usuario donde una mala respuesta tiene un costo alto

Mi prueba recomendada:

Usa Flash como trabajador predeterminado para contextos extensos y escala a Pro u Opus solo cuando la traza muestre incertidumbre.

DeepSeek V4 Flash
    |
    +--> confident, cited, tests pass --> done
    |
    +--> low confidence / failing tests / contradictory sources
            |
            v
        escalate to V4 Pro, Gemini 3.1 Pro, GPT-5.5, or Opus 4.7

3. Gemini 3.1 Pro: la opción más robusta integrada con Google

La documentación de modelos Gemini de Google incluye Gemini 3.1 Pro Preview con:

• 1,048,576 tokens de entrada
• 65,536 tokens de salida
• entradas de texto, imagen, video, audio y PDF
• ejecución de código
• caché
• llamadas a funciones
• salidas estructuradas
• contexto de URL
• fundamentación con búsqueda
• fundamentación con Google Maps
• un endpoint de herramientas personalizadas para flujos de agentes que usan bash y herramientas propias

Eso convierte a Gemini 3.1 Pro en una de las alternativas más completas a Opus si tu agente necesita razonar con distintos tipos de contenido y contexto externo.

Mejor opción para:

• documentación de ingeniería multimodal
• flujos con muchos PDF
• videos, capturas de pantalla, trazas y diagramas
• agentes que se benefician de Google Search o del contexto de URL
• equipos que usan Google Cloud o AI Studio
• ejecución de código combinada con análisis de contextos extensos

Menos adecuado para:

• equipos que evitan modelos en preview en producción
• cargas de trabajo donde los presupuestos de tareas o la compactación al estilo de Anthropic son fundamentales
• casos donde las garantías deterministas de migración importan más que la capacidad del modelo

Una nota de ingeniería: el contexto y el conjunto de herramientas de Gemini son sumamente atractivos, pero «Preview» debería cambiar tu plan de lanzamiento. Yo lo pondría detrás de una abstracción de proveedor y tendría listas evaluaciones de referencia para detectar cambios entre versiones del modelo.

4. Gemini 3.5 Flash: contexto de frontera a alta velocidad

Gemini 3.5 Flash es especialmente interesante porque la página del modelo de Google lo posiciona como un modelo rápido y de menor costo para tareas sostenidas de agentes y programación, y además indica que ofrece:

• 1,048,576 tokens de entrada
• 65,536 tokens de salida
• entradas multimodales
• ejecución de código
• caché
• llamadas a funciones
• salidas estructuradas

Eso es poco habitual: «Flash» solía significar «económico y suficientemente bueno». En 2026, los modelos de la clase Flash se están convirtiendo en opciones viables como motores principales para agentes de ingeniería.

Mejor opción para:

• ciclos de agentes donde importa la velocidad
• despliegue de subagentes
• iteraciones de programación
• análisis de contextos extensos, pero no extremadamente difíciles
• clasificación multimodal a escala

Menos adecuado para:

• las tareas de razonamiento más profundas
• el criterio arquitectónico final sin revisión
• migraciones donde el riesgo de preview o de estabilidad es inaceptable

Así lo usaría:

Gemini 3.5 Flash:
  classify, inspect, retrieve, draft, test hypotheses

Gemini 3.1 Pro or Opus 4.7:
  final synthesis, hard tradeoff decisions, risky code changes

Eso te da la velocidad de Flash sin pedirle que asuma todas las decisiones finales.

5. GPT-5.5: la alternativa del ecosistema de OpenAI

La página del modelo GPT-5.5 de OpenAI indica:

• ventana de contexto de 1,050,000
• 128,000 tokens de salida máxima
• entrada de texto e imágenes
• compatibilidad con tokens de razonamiento
• precios de $5 por entrada,$0.50 por entrada en caché y $30 por salida por cada 1M tokens para el uso estándar con contextos cortos
• herramientas alojadas, incluidas búsqueda web, búsqueda de archivos, intérprete de código, shell alojada, aplicación de parches, skills, uso de computadora y MCP

La advertencia sobre precios es importante: OpenAI indica que los prompts de GPT-5.5 con más de 272K tokens de entrada se cobran a 2x por entrada y 1.5x por salida durante toda la sesión. Eso significa que el precio estándar efectivo para contextos extensos pasa a ser aproximadamente $10 por entrada** y **$45 por salida por MTok una vez que superas ese umbral.

OpenRouter muestra GPT-5.5 con el mismo precio estándar de referencia de $5 por entrada** y **$30 por salida por MTok, con una ventana de contexto de 1M. Para el uso directo de OpenAI, el umbral de 272K es el detalle que los equipos de ingeniería deben modelar explícitamente.

Eso no convierte a GPT-5.5 en una mala alternativa. Significa que hay que calcular el costo según las características de la carga de trabajo.

Mejor opción para:

• equipos que ya estandarizaron su uso de OpenAI
• flujos de programación o producto que combinan imágenes y texto
• aplicaciones con prefijos en caché
• trabajo profesional donde importan las funciones de la plataforma OpenAI
• pipelines de agentes que ya usan Responses API, evaluaciones, herramientas alojadas, MCP, uso de computadora o ejecución de código

Menos adecuado para:

• prompts gigantes sin caché en cada turno
• equipos que buscan el menor costo posible para contextos extensos
• flujos que requieren audio, video o PDF como entradas directas del modelo con soporte nativo, en lugar de texto preprocesado

La regla práctica:

const LONG_CONTEXT_THRESHOLD = 272_000;

export function shouldUseGpt55ForLongPrompt(inputTokens: number) {
  if (inputTokens <= LONG_CONTEXT_THRESHOLD) {
    return {
      use: true,
      reason: "Fits below the long-context pricing threshold.",
    };
  }

  return {
    use: "evaluate",
    reason:
      "Above 272K input tokens, compare GPT-5.5 long-context cost against Gemini, DeepSeek, and Opus.",
  };
}

GPT-5.5 puede formar parte de la comparación sin problema. Solo evita compararlo usando únicamente el precio base por token.

6. Kimi K2.6: no tiene 1M, pero vale la pena mencionarlo

Kimi K2.6 es el caso distinto en este artículo porque no es un modelo con contexto de 1M.

La documentación de la API de Kimi indica que kimi-k2.6 tiene contexto de 256K, arquitectura multimodal nativa, modos con y sin pensamiento, tareas de diálogo y de agentes, caché automática de contexto, llamadas a herramientas, modo JSON, modo parcial y búsqueda en internet. El blog técnico de Kimi indica que sus experimentos con K2.6 usaron una longitud de contexto de 262,144 tokens.

Entonces, ¿por qué mencionarlo en un artículo sobre alternativas a Opus 4.7 1M?

Porque muchas tareas de ingeniería no requieren un contexto directo de 1M si tu harness es bueno.

Vale la pena probar Kimi K2.6 cuando:

• puedes usar recuperación para seleccionar el contexto de código
• tu agente descompone el trabajo en subtareas
• te importan los modelos de código abierto para programación
• quieres un buen desempeño en tareas prolongadas de programación sin pagar los precios premium de modelos cerrados
• tu carga de trabajo cabe en 256K o puede compactarse hasta 256K

La forma correcta de plantearlo es:

Kimi K2.6 is not a 1M replacement.
It is a 256K engineering-agent candidate.

Eso significa que compite con Opus solo después de hacer cambios de arquitectura:

Opus-style direct 1M:
  whole repo packet -> one model call

Kimi-style 256K:
  repo index -> retrieve slices -> subagent tasks -> compact memory -> final synthesis

Si ya cuentas con recuperación y descomposición de tareas, Kimi K2.6 puede ser más económico y suficientemente bueno para muchos ciclos de programación. Si la promesa de tu producto es «introduce un paquete gigantesco de 900K tokens en una sola solicitud», no pertenece a la misma categoría.

Comparación de costos por caso de uso

Estas cifras son estimaciones de ingeniería, no una cotización. Usan precios públicos de los proveedores originales cuando están disponibles y precios de modelos de OpenRouter cuando aportan contexto útil para el enrutamiento. No incluyen impuestos, descuentos por uso comprometido, modos prioritarios/flexibles/por lotes, cargos por llamadas a herramientas, cargos por búsqueda, escrituras de caché, almacenamiento en caché ni redondeos específicos de cada proveedor.

Supuestos utilizados:

• Opus 4.7: $5 por entrada /$25 por salida por MTok.
• GPT-5.5: $5 por entrada /$30 por salida por debajo de 272K tokens de entrada; por encima de 272K tokens de entrada, $10 por entrada /$45 por salida porque OpenAI aplica el multiplicador de contexto extenso a toda la sesión.
• DeepSeek V4 Pro: $0.435 por entrada /$0.87 por salida por MTok, con el precio actual de DeepSeek con descuento.
• DeepSeek V4 Flash: $0.14 por entrada /$0.28 por salida por MTok, con el precio propio de DeepSeek; OpenRouter puede ofrecer variantes gratuitas o enrutadas de otra manera, por lo que los equipos de producción deberían fijar los proveedores.
• Gemini 3.1 Pro Preview: $2 por entrada /$12 por salida hasta 200K tokens de prompt, y luego $4 por entrada /$18 por salida por encima de 200K tokens de prompt.
• Gemini 3.5 Flash: $1.50 por entrada /$9 por salida por MTok.
• Kimi K2.6: $0.73 por entrada /$3.49 por salida por MTok en OpenRouter, pero tiene un límite de contexto de 256K.

Hay dos cosas que destacan:

• GPT-5.5 es una opción premium, no un reemplazo económico de Opus. Para trabajo de ingeniería con contextos extensos por encima de 272K tokens de entrada, el salto de precio es lo bastante grande como para cambiar las decisiones de enrutamiento.
• DeepSeek V4 Flash destaca por su bajo costo. Si su calidad es suficiente para tu tarea, la economía por unidad es tan distinta que merece una ruta de agente trabajador en tus evaluaciones.

La tabla también muestra por qué «contexto de 1M» no basta para decidir qué comprar. Para una revisión de repositorio de 750K tokens, el costo directo del modelo puede variar aproximadamente entre $0.11** y **$8.63, sin contar herramientas ni reintentos. Si el modelo más económico necesita cinco reintentos y el costoso tiene éxito en uno, la brecha se reduce. Si el modelo más económico tiene éxito y supera las pruebas, la economía cambia el producto.

Qué evaluaría realmente

No ejecutes un benchmark genérico y des el trabajo por terminado. Somete los modelos a tareas de ingeniería que se parezcan a tus trazas de producción.

Esta es una matriz práctica de comparación:

Y mide más que la calidad de la respuesta final:

Model run
    |
    +--> final answer score
    +--> source citation correctness
    +--> tool call correctness
    +--> patch applies?
    +--> tests pass?
    +--> tokens used
    +--> wall-clock time
    +--> retries needed
    +--> human reviewer edits

El verdadero reemplazo de Opus 4.7 no es un solo modelo. Es una política de enrutamiento.

Un enrutador sencillo para agentes de ingeniería

Aquí tienes un enrutador simplificado en TypeScript para elegir una familia de modelos según las características de la tarea.

type EngineeringTask = {
  inputTokens: number;
  needsMultimodalInputs: boolean;
  needsOpenWeights: boolean;
  isLatencySensitive: boolean;
  isCostSensitive: boolean;
  requiresFinalArchitecturalJudgment: boolean;
  canUseRetrievalOrCompaction: boolean;
};

type ModelRoute =
  | "claude-opus-4-7"
  | "deepseek-v4-pro"
  | "deepseek-v4-flash"
  | "gemini-3-1-pro"
  | "gemini-3-5-flash"
  | "gpt-5-5"
  | "kimi-k2-6";

export function chooseEngineeringModel(task: EngineeringTask): ModelRoute {
  if (task.needsOpenWeights && task.inputTokens > 256_000) {
    return task.isCostSensitive ? "deepseek-v4-flash" : "deepseek-v4-pro";
  }

  if (task.needsOpenWeights && task.canUseRetrievalOrCompaction) {
    return "kimi-k2-6";
  }

  if (task.needsMultimodalInputs && task.isLatencySensitive) {
    return "gemini-3-5-flash";
  }

  if (task.needsMultimodalInputs) {
    return "gemini-3-1-pro";
  }

  if (task.isCostSensitive && task.inputTokens > 272_000) {
    return "deepseek-v4-flash";
  }

  if (task.requiresFinalArchitecturalJudgment) {
    return "claude-opus-4-7";
  }

  return "gpt-5-5";
}

Deliberadamente, no es universal. La idea es que el tamaño del contexto es solo uno de los criterios de enrutamiento. El enrutamiento real de modelos debería incluir:

• residencia de datos
• aprobación de proveedores
• estabilidad de las versiones del modelo
• tasa de aciertos de caché
• latencia p95
• puntuación de evaluación por tipo de tarea
• tasa de fallos en llamadas a herramientas
• costo de reparación de la salida
• carga de revisión humana

Notas prácticas sobre los modelos

Si necesitas el 1M real más económico

Empieza con DeepSeek V4 Flash.

Cumple con la especificación de 1M, sus precios son agresivos y probablemente sea suficiente para muchas tareas previas a la síntesis y de agentes trabajadores.

Si buscas capacidades de frontera con pesos abiertos

Prueba DeepSeek V4 Pro.

Es el modelo de pesos abiertos con más probabilidades de competir con los flujos propios de Opus. Valida su confiabilidad, servicio y postura de seguridad antes de incorporarlo a ciclos autónomos críticos.

Si necesitas contexto multimodal

Prueba Gemini 3.1 Pro y Gemini 3.5 Flash.

La compatibilidad directa de Gemini con entradas de texto, imagen, video, audio y PDF es una gran ventaja cuando tu flujo de ingeniería incluye capturas de pantalla, diagramas, videos, logs, documentos o archivos adjuntos a issues.

Si necesitas calidad de ingeniería de un modelo cerrado que encaje con tu plataforma

Mantén Opus 4.7 y GPT-5.5 en la comparación.

Opus ofrece una buena experiencia para agentes de larga duración. GPT-5.5 encaja en el ecosistema de OpenAI y ofrece herramientas alojadas y costos favorables para entradas en caché, pero importa el nivel de precios para contextos extensos por encima de 272K tokens de entrada.

Si puedes diseñar la arquitectura en torno a 256K

Prueba Kimi K2.6.

No finjas que tiene 1M. En cambio, combínalo con recuperación, mapas de repositorios, subagentes y compactación. Con un buen harness, un modelo de 256K puede superar a un modelo de 1M con prompts deficientes en muchas tareas de ingeniería.

Una tabla de enrutamiento vale más que una clasificación

El resultado más útil de una evaluación interna no es una clasificación. Es una tabla de enrutamiento:

En resumen

Claude Opus 4.7 1M no se reemplaza fácilmente con un solo modelo. Es un modelo sólido, acompañado de una plataforma diseñada para agentes de larga duración.

Pero en 2026, los equipos de ingeniería tienen alternativas reales:

• DeepSeek V4 Pro si importa la calidad con pesos abiertos y contexto de 1M
• DeepSeek V4 Flash si importa la relación costo-rendimiento con contexto de 1M
• Gemini 3.1 Pro si importa el contexto extenso multimodal e integrado con Google
• Gemini 3.5 Flash si importan los ciclos de agentes rápidos y más económicos
• GPT-5.5 si importa la integración con la plataforma OpenAI y el precio para contextos extensos es aceptable
• Kimi K2.6 si 256K más recuperación es suficiente y las capacidades de programación de código abierto importan

La estrategia de ingeniería ganadora no es la lealtad a un modelo. Es el enrutamiento de modelos basado en evidencia.

Usa Opus 4.7 como referencia. Luego exige que cada alternativa se gane su lugar.

Brechas y aspectos a vigilar

• Madurez de DeepSeek V4 en producción: la versión oficial está en preview; la confiabilidad y la calidad del proveedor requieren una evaluación práctica.
• Cambios en las versiones preview de Gemini: Gemini 3.1 Pro es un modelo en preview, por lo que importan el riesgo de migración y la estabilidad del endpoint.
• Calidad del servicio de Kimi K2.6: Kimi recomienda usar la API oficial para reproducir benchmarks y señala la verificación de proveedores para servicios de terceros.
• Saltos de precio para contextos extensos: OpenAI cambia explícitamente el precio de GPT-5.5 por encima de 272K tokens de entrada.
• Contexto efectivo frente al contexto anunciado: todos los modelos de este artículo aún necesitan evaluaciones de posición y de razonamiento entre documentos.
• Diferencias entre harnesses de agentes: la compactación, la memoria, los esquemas de herramientas y la política de reintentos pueden importar tanto como el modelo base.

Secciones recomendadas para profundizar:

• Un benchmark real que use un repositorio y una tarea de corrección de errores
• Una abstracción de proveedor para enrutar entre Opus, DeepSeek, Gemini, OpenAI y Kimi
• Una comparación de caché de prompts para el análisis repetido de bases de código
• Una lista de verificación de seguridad y residencia de datos para el despliegue con pesos abiertos frente a una API cerrada

Lista de fuentes

• Parte 1: ventanas de contexto de 1M frente a 200K
• Anthropic: ventanas de contexto
• Anthropic: novedades de Claude Opus 4.7
• Anthropic: precios
• DeepSeek: lanzamiento de V4 Preview
• DeepSeek: modelos y precios
• Google Gemini API: modelos
• Google Gemini API: Gemini 3.1 Pro Preview
• Google Gemini API: Gemini 3.5 Flash
• Google Gemini API: precios
• Google Gemini API: contexto extenso
• OpenAI API: documentación del modelo GPT-5.5
• OpenAI API: precios
• OpenRouter: precios y contexto de GPT-5.5
• OpenRouter: precios y contexto de Claude Opus 4.7
• OpenRouter: precios y contexto de DeepSeek V4 Pro
• OpenRouter: precios y contexto de DeepSeek V4 Flash
• OpenRouter: precios y contexto de Kimi K2.6
• Kimi API Platform: lista de modelos
• Kimi API Platform: precios y descripción del modelo Kimi K2.6
• Kimi: blog técnico de K2.6