GLM-5.2 supera a Kimi K2.7 Code en las primeras pruebas prácticas de código

Los dos modelos abiertos más fuertes en llegar al mercado en junio se lanzaron con días de diferencia, y la misma pregunta pronto apareció: ¿cuál funciona mejor cuando necesitas escribir código de verdad? Cinco evaluadores independientes se adelantaron con la respuesta. El GLM-5.2, de Z.ai, salió adelante — pero raramente con facilidad.

En las tareas rápidas, los dos modelos intercambiaron victorias. En las tareas que exigieron una segunda mirada, una diferencia surgió.

En las tareas rápidas, casi empate

Fahd Mirza ejecutó ambos dentro del agente Hermes contra un bug de desempate por diferencia de goles en una aplicación de la Copa del Mundo. Los dos modelos diagnosticaron el error y construyeron un nuevo cuadro de 32 equipos en un único prompt. El Kimi terminó más rápido — cinco minutos — y añadió un detalle de progresión del torneo por cuenta propia. Mirza puntuó a los dos casi empatados.

Samuel Gregory llegó a la misma conclusión al ver el enjambre de agentes del Kimi propagar un redesign por un sitio entero. Llamó a los dos fantásticos y los colocó cerca del Opus 4.5 en fiabilidad. Un tercer evaluador dividió una tarea de visualizador de ordenación: prefirió el diseño del Kimi y la funcionalidad del GLM — antes de ver a los dos construir una aplicación de archivos Rust funcional a partir de un único prompt, aunque el Kimi entregó un error en el archivo de dependencias que necesitó corrección manual.

En la segunda mirada, el GLM se alejó

Web3 Wesley ejecutó a ambos en tres tareas — un sitio, un juego y texto para redes sociales — y entregó el resultado a Claude para inspeccionar. El sitio de suscripción de café del Kimi quedó más pulido a primera vista. La revisión de código encontró algo diferente: menú mobile roto y un juego cuyo nivel de dificultad venía de un cálculo de delta-time ausente, no de diseño intencional. Wesley le dio al GLM la victoria en dos de los tres tests, con empate en el texto.

"El sitio del Kimi parecía más bonito — hasta que el código fue inspeccionado. El menú mobile estaba roto y la dificultad del juego era accidental."

— Web3 Wesley, evaluador independiente

La evaluación de Better Stack llegó a una división parecida. El GLM produjo un juego de carreras en Three.js en un único prompt, usando cerca de 40.000 tokens. El Kimi necesitó un prompt de seguimiento y consumió cerca de 110.000. En un panel financiero completo, el GLM conectó una stack Next.js y Prisma sin errores. El Kimi montó una estructura React y Express grabando en un archivo SQL local — una elección que el evaluador juzgó menos escalable.

Lo que cada modelo hace mejor

Lo que los números dicen sobre los modelos

El GLM-5.2 carga 744 mil millones de parámetros con 40 mil millones activos, licencia MIT y una ventana de contexto de un millón de tokens. Artificial Analysis lo nombró el modelo abierto de mayor puntuación en su índice de inteligencia este mes — 51 puntos, 11 más que el GLM-5.1. Superó al GPT-5.5 en el benchmark GDPval y quedó en primero en el Design Arena en web design HTML de un único turno, el primer modelo en sobrepasar la línea Claude en esa categoría, incluyendo el Fable 5.

El Kimi K2.7 Code es el instrumento más especializado de los dos: un billón de parámetros con 32 mil millones activos, modo de razonamiento siempre activado y el único capaz de leer imágenes. Su ventana de contexto de 256.000 tokens fue señalada por varios evaluadores como limitante para código de producción.

En costo, el GLM salió adelante también. Artificial Analysis registró un promedio de US$ 0,50 por tarea — el menor costo en este nivel de inteligencia. El evaluador de Better Stack dijo que podría sustituir al Sonnet o al Opus en trabajos más simples sin notar diferencia. Moonshot lista el Kimi K2.7 Code a US$ 0,75 por millón de tokens de entrada y US$ 3,50 por millón de salida, con planes de suscripción a partir de US$ 15 mensuales.

Para desarrolladores eligiendo entre los dos modelos abiertos chinos: los evaluadores dieron al GLM-5.2 la leve ventaja para código en general. El Kimi K2.7 Code es la elección cuando la tarea necesita entrada de imagen o del enjambre de agentes.

Ningún resultado aquí viene de benchmark estandarizado. Son cinco evaluadores, con sus propios prompts, evaluando a su propia manera. Lo que importa no es ningún test aislado — es el patrón que aparece en los cinco.