Tres laboratorios lanzaron modelos insignia en un lapso de cinco semanas, y las tablas de clasificación no han dejado de moverse desde entonces. Qwen3.7-Max-Preview de Alibaba, GPT-5.5 de OpenAI y Claude Opus 4.7 de Anthropic se sitúan ahora en la cima de todas las evaluaciones comparativas importantes, y elegir entre ellos es más difícil de lo que parece. Un titular sigue circulando: Qwen3.7-Max ocupó el puesto número 1 en el Índice de Inteligencia de Artificial Analysis. Esa afirmación es real, pero necesita contexto y no resuelve la cuestión de sobre qué modelo deberías realmente construir.
Esta comparación pone a los tres uno al lado del otro en cuanto a razonamiento, codificación, ventana de contexto, precios, disponibilidad y latencia. Cada número aquí se atribuye a una fuente nombrada, porque el marketing del proveedor y las evaluaciones comparativas independientes cuentan historias diferentes. Si quieres probar las diferencias tú mismo, puedes ejecutar las API de los tres modelos en Apidog, comparando respuestas, uso de tokens y latencia en un solo espacio de trabajo antes de comprometerte.
En resumen
Para la inteligencia bruta en evaluaciones comparativas, GPT-5.5 lidera con un 60 en el Índice de Inteligencia de Artificial Analysis, mientras que Qwen3.7-Max-Preview ocupa el puesto número 1 en la clasificación general con un 57 y Claude Opus 4.7 también obtiene un 57. Para la calidad preferida por los humanos en LM Arena, gana Claude Opus 4.7. Para la codificación en el mundo real, la diferencia es poca: GPT-5.5 encabeza SWE-bench Verified, Opus 4.7 lidera en el más difícil SWE-bench Pro. En cuanto a presupuesto y apertura, Qwen gana en precio (con salvedades, ya que solo está en vista previa). Elige GPT-5.5 para trabajo agéntico eficiente en tokens, Opus 4.7 para ingeniería de bases de código grandes y calidad conversacional, y Qwen3.7-Max si el coste y una ventana de 1M de tokens son lo más importante.
Los tres modelos de un vistazo
Antes de las evaluaciones comparativas, esto es lo que es realmente cada modelo. Las diferencias en el estado de lanzamiento por sí solas cambian cómo se debe interpretar cada puntuación.
Qwen3.7-Max-Preview
Qwen3.7-Max es el modelo de razonamiento insignia de Alibaba, presentado en vista previa a mediados de mayo de 2026 y anunciado en la Cumbre de Alibaba Cloud. Utiliza un pensamiento extendido, tiene una ventana de contexto de 1.0M de tokens y está construido con prioridades de codificación agéntica, uso de herramientas y razonamiento de contexto largo. La palabra importante es "vista previa". A finales de mayo de 2026 no tiene un endpoint de API público ni pesos abiertos; el acceso se realiza a través de Alibaba Cloud Model Studio y Qwen Studio.
Un matiz que vale la pena señalar: Alibaba ha dicho que Qwen3.7-Plus se lanzará como código abierto mientras que Qwen3.7-Max se mantendrá propietario. Eso es un cambio con respecto al enfoque anterior de Qwen de todo abierto, y es importante si la apertura forma parte de tu decisión.
GPT-5.5
GPT-5.5 es el modelo de razonamiento de OpenAI centrado en agentes, lanzado el 23 de abril de 2026. Es una respuesta directa a Claude Opus 4.7 y se inclina fuertemente hacia flujos de trabajo autónomos: uso de terminal, tareas de navegador y llamadas a herramientas. OpenAI lo lanza en varios niveles de esfuerzo (las cifras públicas de Artificial Analysis utilizan la variante xhigh), con una ventana de contexto de 1M de tokens en la API y una ventana más pequeña de 400K dentro de Codex. Está generalmente disponible a través de la API de OpenAI hoy.
Claude Opus 4.7
Claude Opus 4.7 es el buque insignia actual de Anthropic, lanzado el 16 de abril de 2026 como una actualización directa de Opus 4.6. Anthropic lo posicionó en torno a la ingeniería de software avanzada, especialmente las tareas más difíciles en grandes bases de código. Ejecuta razonamiento adaptativo, tiene una ventana de contexto de 1.0M de tokens y está generalmente disponible a través de la API de Anthropic, Amazon Bedrock y Google Vertex AI. De los tres, tiene la trayectoria más larga en producción y la mayor cantidad de datos de votación independientes que respaldan sus puntuaciones.
Evaluaciones comparativas de razonamiento e inteligencia
Aquí es de donde viene el gancho "Qwen #1", por lo que merece una lectura cuidadosa.
El Índice de Inteligencia de Artificial Analysis
El Índice de Inteligencia de Artificial Analysis es una puntuación compuesta construida a partir de un promedio ponderado de diez evaluaciones que cubren razonamiento, conocimiento, matemáticas y codificación. Aquí es donde se sitúan los tres modelos, según Artificial Analysis a finales de mayo de 2026:
- Qwen3.7-Max obtiene 57, listado como #1 de 218 modelos en la clasificación general.
- GPT-5.5 (xhigh) obtiene 60, la puntuación más alta de los tres.
- Claude Opus 4.7 (max) obtiene 57, listado como #3 en su clase rastreada.
Así que ambas mitades de la afirmación popular son técnicamente ciertas y están ligeramente en tensión. Qwen3.7-Max sí ocupa la primera posición general en la clasificación de Artificial Analysis. Pero GPT-5.5 registra la puntuación de índice más alta con 60. La brecha se reduce a cómo la clasificación ordena los modelos que comparten un nivel y cómo Artificial Analysis agrupa las variantes de razonamiento; un modelo puede encabezar la lista general mientras que otro registra un número bruto más alto en un grupo rastreado diferente. El resumen honesto: GPT-5.5 tiene la puntuación de inteligencia medida más alta, y Qwen3.7-Max se encuentra en la cima de la clasificación pública. Trátelos como aproximadamente colíderes, con Opus 4.7 un poco por detrás en este índice particular.
Una advertencia más para Qwen. Artificial Analysis señala que Qwen3.7-Max generó 97M de tokens de salida durante la evaluación, muy por encima del promedio de aproximadamente 26M. Es un razonador verboso. Esa verbosidad infla los costes de tokens y la latencia, y es un factor real una vez que se pasa de las evaluaciones comparativas a la producción.
Elo de preferencia humana de LM Arena
Las evaluaciones comparativas miden la corrección en tareas fijas. LM Arena mide algo diferente: qué respuesta prefiere un humano en una comparación a ciegas. La clasificación actual de texto de LM Arena cuenta una historia diferente al Índice de Inteligencia:
- Claude Opus 4.7 se sitúa alrededor de 1,492 Elo, clasificado #4 en general, con más de 13,000 votos detrás.
- GPT-5.5 se sitúa alrededor de 1,478 Elo, clasificado #11.
- Qwen3.7-Max-Preview se sitúa alrededor de 1,475 Elo, clasificado #14, todavía marcado como preliminar con menos de 4,000 votos.
El cambio es sorprendente. El modelo con la puntuación de evaluación comparativa más alta (GPT-5.5) no lidera en la preferencia humana, y el modelo en vista previa (Qwen) tiene muy pocos votos para una lectura estable. Opus 4.7 gana aquí, lo que coincide con el patrón más amplio de que los modelos Opus de Anthropic tienden a encabezar las clasificaciones de texto, visión y documentos de LM Arena, incluso cuando se quedan atrás en las evaluaciones comparativas académicas. Si tu producto es conversacional y la calidad es juzgada por los usuarios en lugar de por conjuntos de pruebas, esa brecha merece ser sopesada seriamente. Las puntuaciones Elo cambian a medida que se acumulan los votos, así que consulta la tabla en vivo antes de citar cualquier número.
Capacidad de codificación
Los tres laboratorios comercializan estos modelos como herramientas de codificación, por lo que las evaluaciones comparativas de codificación tienen peso.
En SWE-bench Verified, la prueba estándar para resolver problemas reales de GitHub, GPT-5.5 obtuvo el primer puesto con un 88.7%, con Claude Opus 4.7 muy cerca con un 87.6%, según el seguimiento de la clasificación de SWE-bench de mayo de 2026. Es un margen estrecho y ambos números son excelentes.
El panorama cambia en pruebas más difíciles. En SWE-bench Pro, que utiliza tareas de solicitud de extracción de repositorios reales más difíciles, Claude Opus 4.7 lidera con aproximadamente un 64% frente al 59% de GPT-5.5. Opus 4.7 también tiende a obtener mejores resultados en tareas que necesitan un razonamiento arquitectónico amplio en una base de código grande. GPT-5.5, a su vez, domina los flujos de trabajo de terminal y shell desatendidos, liderando Terminal-Bench 2.0 por un amplio margen, y es mucho más eficiente en tokens (se informa de aproximadamente un 72% menos de tokens de salida en tareas equivalentes). De las diez evaluaciones comparativas que ambos proveedores informan, la cobertura independiente situó a Opus 4.7 por delante en seis y a GPT-5.5 en cuatro.
Qwen3.7-Max-Preview es más difícil de precisar. A finales de mayo de 2026, tiene datos de Arena Elo pero no evaluaciones comparativas de codificación estandarizadas publicadas como SWE-bench. Ocupa el puesto #9 en Software & IT y el #10 en Codificación en las tablas de categorías de LM Arena, lo cual es fuerte pero no un sustituto de una ejecución controlada de SWE-bench. Los modelos de Qwen de nivel de codificador han publicado puntuaciones de SWE-bench Verified superiores al 70% en la misma familia, por lo que la capacidad es plausible; el número de Max-Preview simplemente no es público todavía. Afirmar una cifra de SWE-bench de Qwen3.7-Max hoy sería una suposición, así que la omitimos.
Lectura práctica para la codificación: GPT-5.5 para la automatización basada en terminales y sensible a los costes, Opus 4.7 para la ingeniería de bases de código grandes y las solicitudes de extracción más complicadas. Si comparas específicamente agentes de codificación integrados en IDE, nuestro desglose de Cursor Composer 2.5 frente a Opus 4.7 y GPT-5.5 profundiza en ese flujo de trabajo.
Ventana de contexto
El contexto largo decide si puedes dejar un repositorio completo, un conjunto de documentos largos o un rastro de agente de varias horas en una sola llamada.
- Qwen3.7-Max: 1.0M de tokens, según Artificial Analysis.
- Claude Opus 4.7: 1.0M de tokens, según Artificial Analysis.
- GPT-5.5: 1M de tokens en la API, aunque Artificial Analysis midió una ventana efectiva de alrededor de 922K; la integración de Codex se limita a 400K.
Esto está cerca de un empate a tres en el nivel general. Los tres te dan aproximadamente un millón de tokens, suficiente para unas 1,500 páginas de texto. Las diferencias prácticas están en los límites. La ventana de la API de GPT-5.5 coincide con las otras, pero si trabajas dentro de Codex, obtienes menos de la mitad, así que verifica qué superficie estás llamando realmente. Y una ventana publicitada larga no es lo mismo que una recuperación fiable en lo profundo de esa ventana; si la precisión del contexto largo es fundamental para tu caso de uso, prueba la recuperación en profundidad en lugar de confiar en la cifra principal.
Precios
El coste es donde la comparación se vuelve desigual, porque uno de los tres no tiene un precio publicado.
Según Artificial Analysis, GPT-5.5 (xhigh) cuesta $5.00 por millón de tokens de entrada y $30.00 por millón de tokens de salida, con la entrada en caché a $0.50. Claude Opus 4.7 (max) cuesta $6.25 por millón de entrada y $25.00 por millón de salida, también con entrada en caché a $0.50. Así que Opus 4.7 es más barato en la salida, GPT-5.5 es más barato en la entrada, y cuál gana depende totalmente de tu relación entrada-salida. Las cargas de trabajo de solicitud larga y respuesta corta favorecen a GPT-5.5; las cargas de trabajo con mucha generación favorecen a Opus 4.7.
Qwen3.7-Max-Preview no tiene precios de API anunciados a finales de mayo de 2026. Como referencia, la generación anterior Qwen3.6-Max-Preview tenía un precio de alrededor de $1.30 por millón de entrada y $7.80 por millón de salida a través de Alibaba Cloud. Si Qwen3.7-Max aterriza cerca de ese rango, superaría a ambos modelos estadounidenses por un amplio margen. Esa es una expectativa razonable, no un precio confirmado, así que planifica cuidadosamente. Sea cual sea el precio de venta, recuerda la verbosidad de Qwen: 97M de tokens en una evaluación comparativa donde el promedio es de 26M significa que tu factura real se escala más rápido de lo que sugiere la tarifa por token.
Si el gasto en tokens es tu principal restricción, el modelo más barato sobre el papel no siempre es el más barato en la práctica. El volumen de salida, el almacenamiento en caché y el comportamiento de reintentos mueven el número. Nuestra guía sobre cómo reducir los costes de tokens de agente desde la CLI cubre las palancas que importan más que la tarjeta de tarifas.
Disponibilidad y apertura
Esta categoría tiene una clasificación clara, y es la que más probablemente descartará un modelo.
GPT-5.5 está generalmente disponible a través de la API de OpenAI y Codex hoy. Propietario, sin pesos, pero estable y listo para producción.
Claude Opus 4.7 está generalmente disponible a través de la API de Anthropic, Amazon Bedrock y Google Vertex AI. También propietario, también listo para producción, con el mayor alcance de plataforma en la nube de los tres.
Qwen3.7-Max-Preview solo está en vista previa. No hay endpoint de API público, no hay pesos abiertos, el acceso está limitado a Alibaba Cloud Model Studio y Qwen Studio. Alibaba ha dicho que el nivel Plus será de código abierto mientras que Max permanece cerrado. Para un sistema de producción hoy, el estado de vista previa es un verdadero obstáculo; para la evaluación y la planificación de la hoja de ruta está bien. Si quieres un camino práctico, nuestro tutorial sobre cómo usar la API de Qwen 3.7 cubre el acceso actual, y hay una guía separada sobre cómo usar Qwen 3.7 gratis a través de la interfaz de chat de Qwen mientras la API se estabiliza.
En resumen: GPT-5.5 y Opus 4.7 están listos para ser desplegados. Qwen3.7-Max no lo está, todavía.
Latencia
La velocidad es importante para cualquier cosa orientada al usuario o para bucles de agente que realizan muchas llamadas secuenciales.
Según Artificial Analysis, Claude Opus 4.7 tiene un tiempo hasta el primer token de alrededor de 27 segundos, y GPT-5.5 (xhigh) es más lento, aproximadamente 101 segundos. En cuanto al rendimiento de salida, GPT-5.5 genera alrededor de 65.9 tokens por segundo frente a los 49.4 de Opus 4.7. Dos cosas a tener en cuenta. Primero, estas son cifras para los niveles de razonamiento de mayor esfuerzo; las variantes de menor esfuerzo de ambos modelos responden mucho más rápido, y la mayoría de las implementaciones de producción no se ejecutan al máximo esfuerzo. Segundo, GPT-5.5 comienza lento pero transmite rápido una vez que empieza, mientras que Opus 4.7 comienza más rápido pero transmite más lento. Para una interfaz de chat, un primer token más rápido suele sentirse mejor; para la generación masiva, el rendimiento bruto gana.
Qwen3.7-Max no tiene datos de velocidad o latencia publicados en Artificial Analysis. Dada la cifra de verbosidad de 97M de tokens, espere tiempos de extremo a extremo más largos en solicitudes con mucho razonamiento, independientemente del rendimiento bruto, ya que el modelo simplemente produce más tokens para llegar a una respuesta.
Tabla comparativa completa
| Criterio | Qwen3.7-Max-Preview | GPT-5.5 | Claude Opus 4.7 |
|---|---|---|---|
| Proveedor | Alibaba | OpenAI | Anthropic |
| Lanzado | Vista previa, mediados de mayo de 2026 | 23 de abril de 2026 | 16 de abril de 2026 |
| Índice de Inteligencia de AA | 57 (#1 / 218 en general) | 60 (puntuación más alta) | 57 (#3 en su clase) |
| Elo de texto de LM Arena | ~1,475 (#14, preliminar) | ~1,478 (#11) | ~1,492 (#4) |
| SWE-bench Verified | No publicado | 88.7% | 87.6% |
| SWE-bench Pro | No publicado | ~59% | ~64% |
| Ventana de contexto | 1.0M tokens | 1M API / ~922K efectiva / 400K Codex | 1.0M tokens |
| Precio de entrada (por 1M) | No anunciado (Qwen3.6-Max: ~$1.30) | $5.00 | $6.25 |
| Precio de salida (por 1M) | No anunciado (Qwen3.6-Max: ~$7.80) | $30.00 | $25.00 |
| Velocidad de salida | No publicado | ~65.9 tok/s | ~49.4 tok/s |
| Tiempo hasta el primer token | No publicado | ~101 s (xhigh) | ~27 s |
| Disponibilidad | Solo vista previa (Model Studio / Qwen Studio) | GA (API de OpenAI, Codex) | GA (API de Anthropic, Bedrock, Vertex) |
| Pesos abiertos | No (Max propietario; Plus será abierto) | No | No |
| Modelo de razonamiento | Sí (pensamiento extendido) | Sí (pensamiento extendido) | Sí (razonamiento adaptativo) |
Fuentes: Páginas de modelos de Artificial Analysis, la clasificación de texto de LM Arena, el seguimiento de la clasificación de SWE-bench y anuncios de proveedores, todos actualizados a finales de mayo de 2026. Las cifras de Qwen en fase de vista previa no están finalizadas; los números de las evaluaciones comparativas y Elo se mueven, así que verifique con las tablas en vivo antes de citarlos.
Casos de uso en el mundo real
Las evaluaciones comparativas son un punto de partida. Así es como se comportan los tres en trabajos que la gente realmente realiza.
Construcción de un agente de codificación autónomo
Quieres un modelo que resuelva problemas de GitHub, ejecute comandos de terminal y se mantenga dentro de un presupuesto de tokens en bucles de agente largos. GPT-5.5 se ajusta mejor a esto. Encabeza SWE-bench Verified, domina Terminal-Bench, y su ventaja de eficiencia de tokens del 72% se acumula en miles de pasos de agente. Opus 4.7 es una alternativa sólida cuando la base de código es grande y el razonamiento arquitectónico importa más que el rendimiento del shell.
Refactorización de una gran base de código heredada
Aquí la tarea es razonar a través de cientos de archivos, manteniendo un modelo mental amplio y produciendo cambios con calidad de PR. Claude Opus 4.7 lidera en SWE-bench Pro y en tareas de bases de código amplias, y su ventana de 1M de tokens permite cargar un contexto real. Este es su caso de uso más fuerte.
Análisis de documentos largos y síntesis de investigación
Alimentar con contratos extensos, documentos de investigación o transcripciones es casi un empate. Los tres ofrecen aproximadamente 1M de tokens. La posición más alta de Opus 4.7 en LM Arena sugiere resúmenes más claros que los humanos prefieren; Qwen3.7-Max iguala la ventana y probablemente reduciría los costes una vez que se le ponga precio. Para una pipeline de documentos de producción hoy, Opus 4.7 o GPT-5.5; para una herramienta interna sensible al coste donde el acceso de vista previa está bien, Qwen merece un piloto.
Chat y asistentes orientados al cliente
Cuando los usuarios finales juzgan la salida, el Elo de LM Arena es la señal más relevante. Opus 4.7 lidera a los tres en preferencia humana, que es la métrica que rastrea la satisfacción del usuario de forma más directa. GPT-5.5 es una buena segunda opción, especialmente donde su transmisión más rápida mejora la capacidad de respuesta percibida.
Cargas de trabajo de alto volumen y sensibles al coste
Para clasificación, extracción o generación masiva donde se procesan millones de tokens al día, el precio domina. Si Qwen3.7-Max se lanza con precios cercanos a los de su predecesor, sería la elección clara. Hasta que la API y los precios sean públicos, GPT-5.5 (entrada más barata) o Opus 4.7 (salida más barata) ganan dependiendo de su mezcla de tokens. Elija el que elija, valide el coste real por solicitud en lugar de confiar en la tarjeta de tarifas, porque el volumen de salida varía mucho entre estos modelos.
Elecciones por caso de uso
Una guía de decisión rápida:
- Mejor para agentes de codificación y automatización de terminales: GPT-5.5. Puntuación máxima en SWE-bench Verified, el mejor rendimiento de terminal y el más eficiente en tokens por un amplio margen.
- Mejor para ingeniería de grandes bases de código: Claude Opus 4.7. Lidera en SWE-bench Pro y en tareas arquitectónicas amplias, con una ventana completa de 1M de tokens.
- Mejor para productos conversacionales y orientados al usuario: Claude Opus 4.7. El Elo de preferencia humana más alto de LM Arena de los tres.
- Mejor para inteligencia bruta en evaluaciones comparativas: GPT-5.5. La puntuación más alta en el Índice de Inteligencia de Artificial Analysis con 60.
- Mejor para presupuesto y contexto largo (con advertencias): Qwen3.7-Max-Preview. Una ventana de 1M de tokens y precios probablemente bajos, pero solo está en vista previa y aún no tiene una API de producción.
- Mejor todo terreno disponible hoy: un empate entre GPT-5.5 y Opus 4.7; ambos están en disponibilidad general, ambos son excelentes, y la elección correcta depende de si optimiza para el coste de tokens o la calidad preferida por los humanos.
Si un cuarto contendiente pertenece a tu evaluación, el modelo de Google también merece un vistazo. Cubrimos qué es Gemini 3.5 por separado, y hay una comparación directa entre Gemini 3.5 vs GPT-5.5 vs Opus 4.7 para ese enfrentamiento a tres bandas.
Cómo probar los tres tú mismo
Las evaluaciones comparativas generalizan; tu carga de trabajo es específica. La forma más rápida de decidir un modelo es enviar las mismas peticiones a cada API y comparar las respuestas, el recuento de tokens y la latencia directamente.
Apidog facilita esa prueba comparativa. Crea una solicitud para el endpoint de chat de cada modelo, colócalas en un espacio de trabajo compartido y ejecútalas con la misma entrada. Puedes inspeccionar las respuestas completas, medir el tiempo de respuesta y rastrear el uso de tokens en un solo lugar en lugar de manejar tres consolas o scripts separados. Guarda las solicitudes como un escenario de prueba reutilizable y podrás volver a ejecutar la comparación cada vez que un modelo se actualice, lo cual, dada la rapidez con la que estos tres están iterando, será con frecuencia. Descarga Apidog para configurar tu primera comparación multimodelos.
Conclusión
No hay un único ganador aquí, y cualquier artículo que nombre uno está simplificando demasiado. Las conclusiones honestas:
- GPT-5.5 tiene la inteligencia de evaluación comparativa más alta (60 en el Índice de Inteligencia de Artificial Analysis), encabeza SWE-bench Verified y es el más eficiente en tokens. Lo mejor para agentes de codificación y automatización sensible a los costes.
- Claude Opus 4.7 gana en calidad de preferencia humana en LM Arena, lidera el más difícil SWE-bench Pro y tiene la mayor disponibilidad en la nube. Lo mejor para ingeniería de grandes bases de código y productos orientados al usuario.
- Qwen3.7-Max-Preview ocupa el puesto número 1 en la clasificación de Artificial Analysis, iguala a los otros en ventana de contexto y probablemente será el más barato una vez que se le ponga precio. Pero hoy solo está en vista previa, por lo que es un candidato para la hoja de ruta, no una opción de producción todavía.
- El titular "Qwen ocupa el puesto #1" es preciso pero parcial: Qwen encabeza la clasificación general mientras que GPT-5.5 registra una puntuación bruta más alta. Lee ambos.
- Los números de las evaluaciones comparativas y las calificaciones Elo cambian semana a semana. Verifica con las tablas en vivo antes de comprometerte.
El modelo adecuado es el que gana en tus solicitudes reales, tu mezcla de tokens y tu presupuesto de latencia. Prueba los tres con las mismas solicitudes en Apidog antes de decidir; una tarde de pruebas comparativas es mejor que un mes de conjeturas basadas en clasificaciones.