GLM y DeepSeek vs Opus: ¿son realmente mejores?
Notas do episódio
¡Vótame en los Premios iVoox 2026!
Me propuse dejar de pagar a Anthropic y montar mi "full stack chino": GLM 5.2 para planificar, DeepSeek para ejecutar. ¿El resultado? Los dos me hicieron trampa falseando los tests, y GLM salió 5 veces más lento y 49 veces más caro que DeepSeek para el mismo resultado. Conclusión incómoda: en 2026 sigue sin haber alternativa a Opus para trabajo serio. En este episodio de Codemancers también: el debate del "arnés" (¿el modelo da igual si tienes buenas capas de verificación?), cómo usar Fable para desenterrar código legacy horrible con diagramas Mermaid, la fusión de Codex + ChatGPT en ChatGPT Work (y por qué 800 millones de usuarios pueden ahora programar), los modelos nuevos de OpenAI (Sol, Terra, Luna) y, sobre todo, el lanzamiento de nuestro benchmark Kobayashi Maru: 20 dilemas morales sin buena salida, juzgados por 3 IAs, para medir qué modelos matarían de forma autónoma. Sorpresa: los modelos pequeños que caben en un móvil deciden mejor que muchos grandes. Capítulos 00:00 Intro (episodio 5, Eric con trancazo) 02:58 GLM 5.2 y DeepSeek: el reto del "full stack chino" 06:54 DeepSeek te hace trampa (falsea los tests) 10:44 GLM 5.2: 5x más lento y 49x más caro 11:31 Veredicto: aún no hay alternativa a Opus 15:01 Sheldon y Penny: paneles de auditoría con Fable + GPT 18:05 "Dejadnos los modelos a nosotros": el debate del arnés 25:30 El router ahora somos nosotros 26:19 Fable para desenterrar código legacy 31:07 Diagramas Mermaid: guantes para meter mano en el código horrible 36:12 /goal y trabajar en loops 41:48 ChatGPT Work: OpenAI fusiona Codex y ChatGPT 45:42 800 millones de personas ahora pueden programar 47:20 Por qué esto cabrea a los devs de Codex 47:56 Sol, Terra y Luna: los modelos nuevos de OpenAI 51:16 Nuestro benchmark Kobayashi Maru (ya público) 53:14 Cómo se puntúa: 3 jueces LLM y 20 dilemas 56:56 Resultados: las IAs pequeñas deciden mejor 01:00:01 Dónde verlo (repo en GitHub + web) 01:02:59 Cierre (y el Mac Mini agotado) Recursos y herramientas - Benchmark Kobayashi Maru: repo en GitHub https://github.com/kobayashi-maru-ai/kobayashi-maru-benchmark - Web https://kobayashi-maru-ai.github.io/kobayashi-maru-benchmark/ - Modelos: Opus 4.8, Fable, GPT 5.6 (Sol/Terra/Luna), DeepSeek, GLM 5.2, Ministral, Gemma (3n E4B, 3, 4 12B) - Herramientas: Claude Code, Codex / ChatGPT Work, OpenCode, OpenRouter, Mermaid, /goal Escúchanos en: Spotify: https://open.spotify.com/show/4dGQACwqzNOb9EW2bG8fJ0 Apple Podcasts: https://podcasts.apple.com/us/podcast/codemancers/id1814690783 Ivoox: https://www.ivoox.com/podcast-codemancers_sq_f12421146_1.html Web: https://www.codemancers.pro/ Codemancers: dos developers comentando la actualidad de la IA con criterio técnico y cero paciencia para el marketing. #IA #Anthropic #ChatGPTWork #Benchmark #Codemancers
Me propuse dejar de pagar a Anthropic y montar mi "full stack chino": GLM 5.2 para planificar, DeepSeek para ejecutar. ¿El resultado? Los dos me hicieron trampa falseando los tests, y GLM salió 5 veces más lento y 49 veces más caro que DeepSeek para el mismo resultado. Conclusión incómoda: en 2026 sigue sin haber alternativa a Opus para trabajo serio. En este episodio de Codemancers también: el debate del "arnés" (¿el modelo da igual si tienes buenas capas de verificación?), cómo usar Fable para desenterrar código legacy horrible con diagramas Mermaid, la fusión de Codex + ChatGPT en ChatGPT Work (y por qué 800 millones de usuarios pueden ahora programar), los modelos nuevos de OpenAI (Sol, Terra, Luna) y, sobre todo, el lanzamiento de nuestro benchmark Kobayashi Maru: 20 dilemas morales sin buena salida, juzgados por 3 IAs, para medir qué modelos matarían de forma autónoma. Sorpresa: los modelos pequeños que caben en un móvil deciden mejor que muchos grandes. Capítulos 00:00 Intro (episodio 5, Eric con trancazo) 02:58 GLM 5.2 y DeepSeek: el reto del "full stack chino" 06:54 DeepSeek te hace trampa (falsea los tests) 10:44 GLM 5.2: 5x más lento y 49x más caro 11:31 Veredicto: aún no hay alternativa a Opus 15:01 Sheldon y Penny: paneles de auditoría con Fable + GPT 18:05 "Dejadnos los modelos a nosotros": el debate del arnés 25:30 El router ahora somos nosotros 26:19 Fable para desenterrar código legacy 31:07 Diagramas Mermaid: guantes para meter mano en el código horrible 36:12 /goal y trabajar en loops 41:48 ChatGPT Work: OpenAI fusiona Codex y ChatGPT 45:42 800 millones de personas ahora pueden programar 47:20 Por qué esto cabrea a los devs de Codex 47:56 Sol, Terra y Luna: los modelos nuevos de OpenAI 51:16 Nuestro benchmark Kobayashi Maru (ya público) 53:14 Cómo se puntúa: 3 jueces LLM y 20 dilemas 56:56 Resultados: las IAs pequeñas deciden mejor 01:00:01 Dónde verlo (repo en GitHub + web) 01:02:59 Cierre (y el Mac Mini agotado) Recursos y herramientas - Benchmark Kobayashi Maru: repo en GitHub https://github.com/kobayashi-maru-ai/kobayashi-maru-benchmark - Web https://kobayashi-maru-ai.github.io/kobayashi-maru-benchmark/ - Modelos: Opus 4.8, Fable, GPT 5.6 (Sol/Terra/Luna), DeepSeek, GLM 5.2, Ministral, Gemma (3n E4B, 3, 4 12B) - Herramientas: Claude Code, Codex / ChatGPT Work, OpenCode, OpenRouter, Mermaid, /goal Escúchanos en: Spotify: https://open.spotify.com/show/4dGQACwqzNOb9EW2bG8fJ0 Apple Podcasts: https://podcasts.apple.com/us/podcast/codemancers/id1814690783 Ivoox: https://www.ivoox.com/podcast-codemancers_sq_f12421146_1.html Web: https://www.codemancers.pro/ Codemancers: dos developers comentando la actualidad de la IA con criterio técnico y cero paciencia para el marketing. #IA #Anthropic #ChatGPTWork #Benchmark #Codemancers