Pergunte “qual é o agente de código mais forte do mundo” em agosto de 2026 e a própria pergunta já estará ultrapassada.
No último ano, o Claude Code foi a única resposta — ele reconfigurou a engenharia de software e iniciou a guerra dos agentes de código. Hoje, a resposta se fragmentou. A questão não é mais quem ocupa o primeiro lugar; o próprio conceito de um ranking único fracassou, se dividindo em três tabelas sem relação entre si — inteligência de modelo, execução em terminal e engenharia real — coroadas por três produtos completamente diferentes.
Tabela Um: Inteligência de Modelo, e o Crepúsculo do SWE-bench
Primeiro, a tabela mais tradicional. A casa de avaliação independente vals.ai atualizou sua tabela do SWE-bench Verified em 6 de agosto, padronizando o harness mini-swe-agent para comparar os modelos em si:
| Posição | Modelo | Pontuação | Observação |
|---|---|---|---|
| 1 | Claude Opus 5 | 97,0% | Fechado |
| 2 | GPT-5.6 Sol | 96,2% | Fechado |
| 3 | Claude Fable 5 | 95,0% | Pausado em 12 de junho |
| 4 | Kimi K3 | 93,4% | Maior pontuação open-source da história |
| 5 | GPT-5.6 Luna | 93,0% | Fechado |
| 6 | Claude Opus 4.8 | 88,6% | Fechado |
| 7 | Grok 4.5 | 86,6% | Fechado |
A tabela enfrenta uma crise de credibilidade própria. A OpenAI declarou o SWE-bench Verified contaminado já em fevereiro de 2026 e deixou de reportar seus próprios resultados nele. A distância entre os números reivindicados pelos fornecedores e a replicação independente só aumenta, e o SWE-bench está se degradando de régua da indústria para material de marketing.
A entrada realmente notável é o Kimi K3 na quarta posição — o modelo de 2,8 trilhões de parâmetros da Moonshot AI, anunciado na WAIC em 16 de julho com pesos sob licença MIT no Hugging Face a partir de 27 de julho, o maior modelo de pesos abertos da história. Com 93,4%, um modelo aberto tocou o teto dos flagships fechados pela primeira vez, reduzindo a diferença de “uma geração inteira” para pontos percentuais de apenas um dígito.
Tabela Dois: Execução em Terminal, e a Ascensão do Codex
A segunda tabela mede se o trabalho de fato é concluído em um terminal real. A tabela pública atual do Terminal-Bench 2.1 em tbench.ai:
| Posição | Agente | Modelo padrão | Pontuação |
|---|---|---|---|
| 1 | Codex CLI | GPT-5.5 | 83,4% |
| 2 | Claude Code | Opus 4.8 | 78,9% |
| 3 | Gemini CLI (Antigravity) | Gemini 3.1 Pro | 70,7% |
O ponto de virada: o Claude Code, dominante de 2025, está sendo ultrapassado pelo Codex. Tim Sehn, CEO da DoltHub, passou três meses entregando mais de 1.500 PRs gerados por agentes em um projeto de banco de dados embarcado em C e publicou seu ranking do mundo real em 5 de agosto: Codex em primeiro, Claude em segundo, Grok Build em terceiro.
Seu raciocínio é direto — o Claude é lento demais, caro demais e cauteloso demais: “O Codex conclui cinco vezes mais trabalho por unidade de tempo.” Os problemas da Anthropic se acumulam: o flagship Fable 5 foi pausado em 12 de junho; testadores chamam o Opus 5 de “mais burro que o Opus 4.8”; e o plano topo de $100/mês é o único cujos tokens são realmente consumidos com consistência. O Claude ainda guarda uma carta — a capacidade de design em tarefas ambíguas (revisão de código, trabalho de performance, aconselhamento de arquitetura), seu ingrediente secreto de longa data.
Tabela Três: Engenharia Real, e a Era do Acoplamento ao Harness
A terceira tabela é a mais contraintuitiva: ela não classifica quem é o mais forte — classifica quem está amarrado a quem.
A Augment Code realizou o experimento canônico: o mesmo modelo, o Claude Opus 4.5, pontuou de 51,8% (Auggie) a 49,8% (Claude Code) no SWE-bench Pro dependendo do harness — o mesmo cérebro, mãos diferentes, uma variação de dois a seis pontos. A mudança estrutural do último ano é que modelo e harness se acoplaram. A observação da DoltHub corta na carne: “Os modelos da Anthropic foram feitos para rodar no Claude Code; os da OpenAI foram feitos para rodar no Codex. Os modelos são treinados para seus próprios harnesses.” A corrida do ouro de agosto de 2025 — misturar qualquer modelo com qualquer harness — acabou.
Isso desloca a unidade de competição do produto para o ecossistema: modelo mais harness mais serviço em nuvem mais plugin de IDE mais preço, como um pacote. Avaliar qualquer elo isoladamente está perdendo sentido rapidamente.
A Variável Chinesa: Uma Quarta Tabela, e Ela É Chinesa
Restrito à trilha open-source, o ranking de agosto de 2026 é quase um leaderboard chinês. O relatório do Q2 de 2026 do Hugging Face mostra que modelos abertos chineses representam 58% dos downloads globais, superando os EUA (28%) pela primeira vez.
| Modelo | Lançamento | Parâmetros | Destaque | Preço (por 1M de tokens) |
|---|---|---|---|---|
| Kimi K3 | 16 de jul | 2,8T | SWE-bench 93,4%, melhor open-source | Open source (MIT) |
| DeepSeek V4 Flash 0731 | 31 de jul | 284B / 13B ativos | Terminal-Bench 82,7%, ultrapassou o GLM 5.2 | $0,14 / $0,28 |
| GLM 5.2 | Meados de junho | ~744B | Nº 1 global no Code Arena | $0,29 (OpenRouter) |
| Qwen 3.8 Max | 19 de jul | 2,4T / 95B ativos | Primeiro flagship Max aberto, "só atrás do Fable 5" (segundo a própria empresa) | A definir |
O DeepSeek V4 Flash 0731 é o campeão de custo-benefício mais indiscutível do momento: 82,7% no Terminal-Bench 2.1 (superando os 81,0% do GLM 5.2), liderando o DeepSWE por 54,4 a 46,2 em todas as frentes — custando cerca de 1,1% do preço de output do Claude Opus 4.8.
Mas separe reivindicações e verificação. O Kimi K3 tem números completos de terceiros (a maior posição em índice de inteligência para um modelo aberto na Artificial Analysis, primeiro lugar na tabela de coding frontend da Arena); o Qwen 3.8 Max não teve nenhuma replicação independente desde o lançamento. O contraste em si é o hábito informacional que vale a pena construir em 2026: anúncios de fornecedores são publicidade; replicação por terceiros é dado.
O Framework: Três Eixos, Não Um Campeão
Empilhando as três tabelas, a conclusão se escreve sozinha: não existe um campeão generalista, apenas campeões por eixo.
- Eixo de inteligência (teto do modelo, tarefas mais difíceis e ambíguas) — campeões: Claude Opus 5 / GPT-5.6 Sol.
- Eixo de execução (o harness; conclusão de tarefas mais rápida, menor tempo até o PR) — campeão: Codex CLI.
- Eixo econômico (custo por tarefa, trabalho mecânico, cenários sensíveis a orçamento) — campeões: DeepSeek V4 Flash 0731 e um Gemini CLI gratuito.
Quem lhe disser que existe um agente mais forte está lhe vendendo informação desatualizada. A pergunta certa de 2026 não é “quem fica em primeiro”, mas “em qual eixo vive o meu trabalho”.
Perspectiva: É Assim que a Maturidade da Indústria Se Manifesta
Bancos de dados, nuvem e compiladores já percorreram esse caminho — de hegemonia única à competição eixo a eixo. Os agentes de código são simplesmente os próximos na fila. Três campos de batalha se seguirão com quase certeza.
Primeiro, os avaliadores independentes ganham um alavancagem enorme. vals.ai, Scale e tbench.ai estão substituindo o autorrelato dos fornecedores como base para decisões de compra — a própria avaliação está se tornando um negócio. Segundo, o roteamento se torna a nova infraestrutura. Sem campeão generalista, um despachante que envie cada tipo de tarefa ao agente certo vai surgir, como fizeram os load balancers — ele não produz computação, decide para onde a computação vai. Terceiro, para a Anthropic esta é a clássica armadilha do incumbente: mentalidade de campeão somada à arrogância de precificação. A pausa do Fable 5 e a recepção do Opus 5 parecem problemas de modelo, mas são organizacionais — o líder de 2025 está demonstrando, em público, exatamente a velocidade com que a perseguição pode alcançar.
O Que Fazer a Respeito
- Desenvolvedores individuais: escolham um principal (Codex ou Claude Code), mantenham um cavalo de bata barato para tarefas mecânicas (Grok ou DeepSeek Flash) e não rodem três assinaturas de $100 ao mesmo tempo — o custo é a dimensão invisível de todo ranking.
- Decisores de equipe: não confiem em números reportados por fornecedores. Peguem vinte issues reais do seu próprio repositório, rodem dois ou três agentes nelas e troquem dez horas por um ano de decisões corretas de ferramentas.
- Equipes na China e sensíveis a orçamento: comecem pelo DeepSeek V4 Flash 0731 ou GLM 5.2; hospedem o Kimi K3 por conta própria quando o ecossistema amadurecer; aguardem validação de terceiros antes de colocar o Qwen 3.8 Max em produção.
- Espectadores: a turbulência da Anthropic (Fable 5 pausado, Opus 5 mal avaliado) é uma janela de observação — não migrem às pressas, mas tampoco assinem contrato de um ano.
Em agosto de 2026, o mundo dos agentes de código não tem um trono — apenas três cadeiras. Descubra em qual cadeira seu trabalho está sentado antes de discutir quem é o mais forte.
Fontes
- vals.ai SWE-bench Verified (atualizado em 2026-08-06, harness mini-swe-agent unificado)
- Terminal-Bench 2.1 public leaderboard (tbench.ai)
- DoltHub, “What’s the Best Coding Agent? 2026 Edition” (Tim Sehn, 2026-08-05)
- Augment Code, “Auggie tops SWE-bench Pro”
- Artificial Analysis Coding Agent Index
- Hugging Face 2026 Q2 open-source ecosystem report
