Seed 2.0 Code: para qué sirve de verdad (benchmark en español)

Su fuerte es Coding (#15 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.78 contra 9.65). Cuesta $4.65 por cada 1.000 llamadas.

Nota de calidad8.41/10#10 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$4.65el 37º más caro de 97

Al mes, uso típico$6.9850 llamadas por día, todos los días

Velocidad52 tok/s37.0 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⌸ Le caben ~440 páginas a la vez

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.65 (+0.57 vs mediana)

Contenido 8.61 (+0.23 vs mediana)

Razonamiento 7.87 (-0.09 vs mediana)

Agentes 7.78 (+0.24 vs mediana)

Medido con 1566 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 29 tareas medidas es 7.34. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Precisión literal (hex, JWT, configs) — 8.95 (+1.61 contra su media). Decide: no equivocarse en un dato
Contenido genérico (blog, email, social) — 8.25 (+0.91 contra su media). Decide: escribir un texto correcto
JSON estructurado (extracción, schemas) — 8.20 (+0.86 contra su media). Decide: emitir JSON válido a la primera
Presentaciones (slides, reportes) — 8.12 (+0.78 contra su media). Decide: estructurar una presentación

Donde se cae

Anti-alucinación (citas, contexto) — 5.84 (-1.50 contra su media). Decide: no inventar cuando no sabe
Razonamiento profundo (matemática, Fermi) — 5.88 (-1.46 contra su media). Decide: resolver un problema difícil sin atajos
Estrategia (pricing, planificación) — 6.15 (-1.19 contra su media). Decide: elegir entre opciones de negocio
Noticias + SEO (artículos completos) — 6.46 (-0.88 contra su media). Decide: escribir un artículo publicable

Si Seed 2.0 Code no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Poolside Laguna XS 2.1 Más barato, calidad equivalente	8.26	$0.198	9.7 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.5 Flash Lite Responde antes	8.23	$3.84	4.6 s	al menos 40% menos de espera, sin caer de nota

La ficha: Seed 2.0 Code en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	1566
Tool calling	7.89
Precio
Precio por millón · entrada	$0.500
Precio por millón · salida	$3.00
Rendimiento y límites
Latencia total media	37.0 s
Ventana de contexto	262.144

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Seed 2.0 Code para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Seed 2.0 Code Este modelo	8.41	$4.65
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 1% más y además es más barato: $0.930 contra $4.65. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 1% más (8.48 contra 8.41) y cuesta 8 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Seed 2.0 Code no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	26.332	49.851	62.313 (piso)
OCR / extracción desde imágenes	1.415	20.780	25.975 (piso)
Razonamiento profundo (matemática. Fermi)	9.611	20.249	25.311 (piso)
Contenido startup (newsletter. actualidad)	7.908	15.205	19.006 (piso)
Gestión de tareas (action items. planes)	7.391	12.351	15.438 (piso)
Decisiones de negocio (prioridades. plan)	5.325	12.111	15.138 (piso)
Estrategia (pricing. planificación)	11.098	11.633	14.541 (piso)
Noticias + SEO (artículos completos)	6.037	11.036	13.795 (piso)
Creatividad (hooks. analogías. narrativa)	6.140	10.165	12.706 (piso)
Razonamiento general (lógica. decisiones)	8.925	9.646	12.057 (piso)
Presentaciones (slides. reportes)	9.267	9.267	11.583 (piso)
Ventas en frío (cold email. campañas)	4.020	8.769	10.961 (piso)
Auditar números (detectar el error plantado)	5.146	8.565	10.706 (piso)
Generación de código (Python. SQL. debug)	5.570	7.602	9.502
Contenido genérico (blog. email. social)	4.100	6.989	8.736
Resúmenes y extracción de datos	5.484	5.484	6.855
Anti-alucinación (citas. contexto)	1.242	5.466	6.832
Multi-turno (debugging. requisitos)	1.355	4.841	6.051
Contenido con datos verificables (no inventar)	1.054	4.788	5.985
JSON estructurado (extracción. schemas)	477	4.740	5.925
Verificar un dato contra su fuente	1.417	3.610	4.512
Traducción (es↔en)	2.438	2.958	3.697
Capacidades de agente (delegación. skills)	717	2.932	3.665
Seguir instrucciones al pie de la letra	775	2.004	2.505
Orquestación (flujos de varios pasos)	665	1.711	2.138
Soporte al cliente (clasificar y responder)	1.093	1.521	1.901
Tool calling (llamada de funciones)	416	589	736
Precisión literal (hex. JWT. configs)	153	477	596
No inventar herramientas (abstenerse cuando no hay)	322	468	585

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Seed 2.0 Code

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Seed 2.0 Code es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →