88,7% contra 88,6%. GPT-5.5 e Claude Opus 4.8 no SWE-bench Verified em julho de 2026. Zero vírgula um ponto percentual de diferença. Para fins práticos, isso é empate técnico dentro da margem de erro de qualquer benchmark de software real. Mas o mundo continua publicando posts com títulos do tipo "GPT-5.5 VENCE Claude no SWE-bench" como se o décimo fosse suficiente para decidir qual ferramenta você vai usar o dia todo.
O dado que deveria estar no topo de todas as análises não é esse. É o DeepSeek-V3.2 com 74,2% no Aider Polyglot por US$ 1,30 por tarefa, contra US$ 29,08 do GPT-5 no mesmo benchmark. Diferença de 14 pontos percentuais. Diferença de preço: 22 vezes. Esse é o número que muda decisão de orçamento.
Esse é o primeiro levantamento mensal de coding agents da Verboo Code. Sem afiliado, sem produto patrocinando a tabela. Fontes linkadas, números verificáveis, e uma posição clara no final. O objetivo é simples: uma vez por mês, o dev brasileiro tem um lugar para olhar o estado real do mercado, não o hype da semana.
Por que usar quatro benchmarks em vez de um?
Benchmarks de coding não são intercambiáveis. Cada um mede uma coisa diferente, e um modelo pode liderar um e ficar no meio do pack em outro. Usar só o SWE-bench é como avaliar um carro só pela aceleração de 0 a 100 e ignorar consumo, espaço e custo de manutenção.
Os quatro benchmarks desta edição cobrem ângulos distintos:
- SWE-bench Verified: conserto de bugs em pull requests reais de repositórios Python open source. Mede capacidade de entender contexto de código existente e fazer mudanças cirúrgicas.
- Aider Polyglot: 225 exercícios do Exercism em C++, Go, Java, JavaScript, Python e Rust. O diferencial: o custo por tarefa está no leaderboard público. Performance e preço side by side.
- SWE-bench Pro: variante com problemas mais recentes, menor risco de contaminação de dados de treino. Os scores são menores, mas os rankings revelam quem realmente generaliza.
- Arena WebDev: voto humano em comparações de código web. Tem viés de percepção, mas captura o que os devs realmente preferem quando olham para o output.
SWE-bench Verified: a corrida que chegou no décimo
| Modelo | Score | Janela de contexto |
|---|---|---|
| GPT-5.5 | 88,7% | Não divulgado |
| Claude Opus 4.8 | 88,6% | 200k tokens |
| Claude Opus 4.6 | 80,8% | 200k tokens |
| Qwen 3.7 Max | 80,4% | 131k tokens |
| GLM-5 | 77,8% | Não divulgado |
A distância entre GPT-5.5 e Opus 4.8 é ruído estatístico. A distância entre Opus 4.8 e Qwen 3.7 Max (8 pontos) já entra no território de decisão real, especialmente quando o custo por token entra na conta. Para a maioria dos casos de uso, um modelo open source em 80% com contexto de 131k resolve o mesmo problema que o frontier pago em 88%, a uma fração do custo.
Aider Polyglot: onde o preço aparece na mesa
O leaderboard do Aider é o mais honesto do mercado porque coloca performance e custo na mesma tabela, sem que você precise calcular por fora.
| Modelo | Score Polyglot | Custo por tarefa |
|---|---|---|
| GPT-5 (High) | 88,0% | US$ 29,08 |
| GPT-5 (Medium) | 86,7% | US$ 17,69 |
| O3-Pro | 84,9% | US$ 146,32 |
| Gemini 2.5 Pro Preview | ~82% | US$ 3,50 est. |
| DeepSeek-V3.2 | 74,2% | US$ 1,30 |
O3-Pro com 84,9% por US$ 146,32 por tarefa merece pausa. Esse não é o preço de acesso ao modelo. É o custo de uma tarefa de benchmark, equivalente a uma sessão de debugging ou implementação de feature pequena. Para um dev usando 20 dessas por dia de trabalho, isso soma US$ 2.926 diários. O3-Pro é uma ferramenta legítima para pesquisa pontual. Para workflow diário de desenvolvimento, é matematicamente inviável.
GPT-5 Medium (86,7%) por US$ 17,69 é a escolha frontier com melhor razão custo-benefício no Aider Polyglot em julho de 2026.
SWE-bench Pro: quando o dataset não está contaminado
O Pro usa problemas mais recentes para reduzir contaminação de treino. Os scores caem, mas a hierarquia revela quem realmente generaliza.
| Modelo | SWE-bench Pro | Status |
|---|---|---|
| Claude Mythos Preview | 93,9% | Suspenso (regulacao EUA) |
| GPT-5.3 Codex | 85,0% | Disponivel |
| Gemini 3.5 Flash | 83,6% | Disponivel |
| Claude Opus 4.8 | 77,8% | Disponivel |
Claude Mythos Preview com 93,9% chama atenção. Mas o modelo foi suspenso para usuários fora dos EUA por ordem de controle de exportação do governo americano em junho de 2026. O melhor modelo no benchmark não está disponível para o dev brasileiro. Isso não é detalhe menor.
Arena WebDev: o que os devs preferem quando votam
Gemini 3.1 Pro lidera o Arena WebDev em head-to-head de preferência humana para código web. Arena tem vieses conhecidos (votantes podem preferir código que "parece" organizado sobre código que funciona), mas é o único benchmark que captura preferência real de uso. Para tarefas de front-end, o resultado do Arena frequentemente diverge do SWE-bench, e ambos importam dependendo do contexto.
O ângulo contrário: open source fechou a distância e a licença virou critério de corte
A narrativa dominante sobre coding agents ainda trata open source como "a alternativa acessível porém inferior". Os dados de julho de 2026 não sustentam mais essa narrativa.
Quatro modelos open source agora cruzam a marca de 74-80% em benchmarks sérios de coding, todos com licenças comercialmente viáveis:
- DeepSeek V4 — Licença MIT — 74,2% Aider Polyglot
- Qwen 3.7 Max — Apache 2.0 — 80,4% SWE-bench Verified
- GLM-5.2 — MIT — 77,8% SWE-bench
- Kimi K2.7 Code — Modified MIT — foco em coding, lançado em junho de 2026
Por que a licença virou critério de corte? Porque o Claude Fable 5 respondeu essa pergunta na prática. O modelo Mythos-class da Anthropic foi suspenso semanas depois do lançamento por ordem de controle de exportação dos EUA. Devs fora do país perderam acesso do dia para a noite a um modelo que já estava no workflow deles.
Depender exclusivamente de modelos proprietários americanos é depender de um ativo que pode ser regulado como produto de exportação, não como software. Open source MIT rodando em GPU própria ou em servidor no Brasil não tem esse risco. A aposta no open source deixou de ser filosófica e virou hedge de continuidade de negócio.
O custo real do frontier para um dev de verdade
GPT-5 (High) no Aider Polyglot: US$ 29,08 por tarefa. Se você usa 20 sessões de coding por dia de trabalho:
- Custo diário: US$ 581,60
- Custo mensal (22 dias úteis): US$ 12.795,20
- Em reais (câmbio R$ 5,70): R$ 72.932/mês por desenvolvedor
Para um time de cinco devs com uso moderado (10 sessões/dia cada), a conta mensal ultrapassa R$ 182 mil. Esse é o math que explica por que o frontier absoluto, na prática, não está disponível para a maioria dos times de desenvolvimento brasileiros, independentemente de quanto eles queiram usar.
O Gemini 2.5 Pro (~US$ 3,50/tarefa, 82% no Polyglot) começa a entrar em território razoável para uso intenso. DeepSeek-V3.2 (US$ 1,30, 74,2%) é onde a matemática começa a funcionar para qualquer orçamento. Tokens ilimitados mudam o jogo completamente: você para de calcular custo por tarefa e começa a pensar em throughput.
O que mudou no mercado entre janeiro e julho de 2026
Claude Code lidera preferência, mas o mercado ficou composável
Pesquisa do Pragmatic Engineer com 906 engenheiros (fevereiro 2026): Claude Code com 46% de "most loved" entre ferramentas de coding com IA. A SemiAnalysis estimou que cerca de 4% de todos os commits públicos no GitHub já passam por Claude Code (março 2026), com projeção de 20% até o final do ano.
Mas isso não está consolidando em monopólio. Está indo no sentido oposto.
Em abril de 2026, a OpenAI lançou um plugin oficial que roda dentro do Claude Code. O Cursor v3 "Glass" substituiu o Composer por uma janela de agentes paralelos, permitindo múltiplos agentes em máquinas locais, worktrees e sandboxes em nuvem simultaneamente. A The New Stack descreveu o resultado como "an AI coding tool stack nobody planned": Claude Code, Cursor e Codex operando em camadas no mesmo projeto.
Para o dev, isso é positivo. Para qualquer empresa que apostou em lock-in de plataforma, é uma ameaça direta. O desenvolvedor de 2026 não vai escolher entre Claude Code e Cursor. Vai usar os dois, mais um agente especializado em review, mais MCPs de banco de dados e infraestrutura. O conceito de "ferramenta única de coding IA" está obsoleto.
Modelos lançados em junho que entram nos radares de agosto
- Microsoft MAI-Code-1-Flash (2 de junho): supera Claude Haiku 4.5 no SWE-Verified usando até 60% menos tokens. Eficiência para tarefas de menor complexidade.
- Kimi K2.7 Code (12 de junho): foco em coding, Modified MIT. Moonshot apostando no nicho onde open source ainda tem margem para crescer.
- GLM-5.2 (13 de junho): Zhipu AI com MIT. Candidato ao top 5 de open source para coding assim que aparecer em mais benchmarks consolidados.
Janela de contexto: por que 1M de tokens muda o que você pode fazer
A maioria das discussões sobre modelos foca em score de benchmark e preço. A janela de contexto recebe menos atenção, mas para trabalho real com codebases existentes, é o fator que determina o que é possível fazer em uma sessão.
Com 32k tokens de contexto (o padrão de dois anos atrás), um arquivo de 2.000 linhas já começa a pressionar os limites. Com 200k tokens, você cabe um repositório médio completo. Com 1M de tokens, um monolito de 80k linhas cabe inteiro no contexto, e você pede uma análise de arquitetura sem particionamento manual.
Isso não é teórico. É o que o mimo-v2.5 faz no Verboo Code hoje, com 1M de tokens de contexto. Tarefas de refactoring que antes exigiam dividir o codebase em pedaços e fazer múltiplas sessões agora rodam em uma sessão única, com o modelo vendo toda a dependência entre arquivos ao mesmo tempo. A tendência de julho: 200k tokens está virando o mínimo aceitável para trabalho sério com codebase legada.
Como escolher o modelo certo em julho de 2026
A pergunta certa não é "qual é o melhor modelo". É "qual modelo serve para o meu caso de uso específico, com o orçamento disponível".
| Caso de uso | Modelo recomendado | Contexto | Custo |
|---|---|---|---|
| Refactor de codebase grande (+50k LOC) | mimo-v2.5 | 1M tokens | Ilimitado (Verboo Code) |
| Debugging multilíngue (Go, Python, Rust, JS) | qwen3.6-27b | 131k tokens | Ilimitado (Verboo Code) |
| Sprint de feature, iterações rápidas | deepseek-v4-flash | — | Ilimitado (Verboo Code) |
| Frontier puro, benchmark acima de tudo | GPT-5.5 / Opus 4.8 | 200k tokens | Pay-per-token, US$ 17-29/sessão |
| Budget zero, prototipação rápida | DeepSeek-V3.2 | — | US$ 1,30/tarefa |
| Código web com preferência humana maximizada | Gemini 3.1 Pro | 1M tokens | Pay-per-token |
Para três dos seis casos de uso mais comuns no dia a dia de desenvolvimento, o melhor modelo disponível roda no Verboo Code com tokens ilimitados. Para os outros três, há uma troca consciente: você paga mais por ponto percentual adicional de benchmark, por preferência humana específica em código web, ou por estar no frontier absoluto. Para a maioria dos times de desenvolvimento brasileiros, os três primeiros casos cobrem 80% do trabalho diário.
Verboo Code em julho: 102 devs, 6 modelos, nenhum cap
Dados atuais: 102 assinantes ativos, MRR de R$ 14.575,90, crescimento de +406% no último mês. A matemática é direta: R$ 75 por mês com tokens ilimitados contra US$ 29,08 por sessão no frontier.
Os modelos desta edição disponíveis no Verboo Code:
- mimo-v2.5: 1M de contexto, o modelo de contexto longo sem equivalente acessível no mercado brasileiro
- deepseek-v4-flash: velocidade e custo zero para iterações rápidas
- qwen3.6-27b: 80,4% no SWE-bench Verified com suporte multilíngue sólido
O CLI é o verboo. Para trocar de modelo durante a sessão: /model. Você escolhe pelo caso de uso, não pelo que o provider liberou no plano desse mês ou pelo que o governo americano decidiu autorizar esta semana.
Quer testar esses modelos sem pagar por token? Verboo Code roda os principais open source com tokens ilimitados.
O que esperar no levantamento de agosto
Três tendências para acompanhar:
- Open source cruza 85% no Aider Polyglot? GLM-5.2, Kimi K2.7 Code e DeepSeek V4 estão em trajetória de melhoria rápida. Se algum chegar em 85% com licença MIT, a conversa sobre frontier proprietário muda radicalmente.
- O stack composável vira padrão ou colide? Claude Code + Cursor + Codex em camadas funciona no papel. Na prática, vão aparecer conflitos de contexto e questões de orquestração. O mercado está descobrindo como gerenciar essa complexidade.
- Regulação de exportação como risco sistêmico. Claude Fable 5 foi evento único ou o primeiro de uma série? Se o governo americano tratar modelos frontier como produto dual-use sujeito a controle sistemático, a arquitetura de dependência de qualquer time precisa ser repensada.
O ranking de agosto sai na primeira semana. Com snapshot comparativo, os números vão revelar quem realmente se moveu e quem ficou parado enquanto o mercado evoluía. Os dados de julho deixam uma conclusão clara: o frontier empatou com ele mesmo, o open source está fechando a distância em velocidade surpreendente, e a licença do modelo passou a importar tanto quanto o score de benchmark. Três constatações que descrevem um mercado em transição, não em consolidação.
Fontes: Aider Polyglot Leaderboard, SWE-bench Pro (MorphLLM), The New Stack, Pragmatic Engineer survey fevereiro 2026, SemiAnalysis março 2026.
