{"id":2437,"date":"2026-04-21T18:07:10","date_gmt":"2026-04-21T18:07:10","guid":{"rendered":"https:\/\/deepinsightai.io\/?p=2437"},"modified":"2026-05-01T01:59:35","modified_gmt":"2026-05-01T01:59:35","slug":"chatgpt-codex-vs-claude-code","status":"publish","type":"post","link":"https:\/\/deepinsightai.io\/es\/chatgpt-codex-vs-claude-code\/","title":{"rendered":"ChatGPT Codex frente a Claude Code: \u00bfse est\u00e1n volviendo iguales las herramientas de programaci\u00f3n basadas en IA?"},"content":{"rendered":"

Hace unos d\u00edas, OpenAI present\u00f3 oficialmente su nuevo modelo a gran escala, el GPT-5.4-Cyber. Como han se\u00f1alado muchos usuarios en Internet, este modelo da una fuerte sensaci\u00f3n de d\u00e9j\u00e0 vu.<\/p>\n\n\n\n

Este nuevo modelo, tanto en lo que respecta a sus usuarios objetivo como a los escenarios de aplicaci\u00f3n e incluso a la estrategia de marketing, es pr\u00e1cticamente un calco del modelo que Anthropic ha lanzado recientemente Claude Mythos<\/a>. Este tipo de \u201ccombate cuerpo a cuerpo\u201d ha llegado a un punto en el que ya ni siquiera se disimula. Incluso *The New York Times* lo se\u00f1al\u00f3 sin rodeos en un titular reciente: \u201cComo Antr\u00f3pico<\/a>, OpenAI\u2026\u201d<\/p>\n\n\n\n

Esta tendencia a la homogeneizaci\u00f3n no se limita \u00fanicamente a los modelos b\u00e1sicos. Si nos fijamos en la serie de productos que han lanzado recientemente estas dos empresas, veremos que se est\u00e1n volviendo pr\u00e1cticamente id\u00e9nticos.<\/p>\n\n\n\n

Bajo el foco del mercado de capitales, esta convergencia se hace a\u00fan m\u00e1s evidente. Sus valoraciones en el mercado secundario est\u00e1n ahora muy pr\u00f3ximas. Anthropic incluso ha superado ligeramente a OpenAI recientemente, impulsada por su r\u00e1pida expansi\u00f3n en el mercado empresarial. El capital siempre es sensible: desde su perspectiva, a estos dos \u00abunicornios\u00bb les est\u00e1n creciendo los mismos cuernos.<\/p>\n\n\n\n

\"La<\/figure>\n\n\n\n

Parece que la homogeneizaci\u00f3n de los modelos base conducir\u00e1 inevitablemente a una convergencia en las aplicaciones de las capas superiores.<\/p>\n\n\n\n

Hoy quiero hablar de dos herramientas de referencia que representan la vanguardia actual de la programaci\u00f3n asistida por IA: Codex, de OpenAI, y Claude Code, de Anthropic. De haber tomado en su d\u00eda caminos completamente diferentes a la situaci\u00f3n actual\u2026 llegar al mismo destino<\/a>, \u00bfc\u00f3mo fueron adquiriendo poco a poco la misma forma?<\/p>\n\n\n\n

De la divergencia a la convergencia: la evoluci\u00f3n de dos gigantes<\/h2>\n\n\n\n

Si echamos la vista atr\u00e1s unos a\u00f1os, Codex y Claude Code eran productos de filosof\u00edas t\u00e9cnicas totalmente diferentes.<\/p>\n\n\n\n

La l\u00f3gica subyacente de Codex se basaba, en esencia, en \u201cla velocidad por encima de todo\u201d. Era como si un desarrollador s\u00e9nior con cinco a\u00f1os de experiencia te siguiera de cerca, siempre listo para autocompletar el c\u00f3digo.<\/p>\n\n\n\n

\"La<\/figure>\n\n\n\n

Seg\u00fan la visi\u00f3n de OpenAI, Codex era un agente de terminal ligero y muy interactivo. Hac\u00eda hincapi\u00e9 en la iteraci\u00f3n r\u00e1pida y programaci\u00f3n interactiva<\/a>. Su velocidad de ejecuci\u00f3n era extremadamente r\u00e1pida: gracias al hardware Cerebras WSE-3, pod\u00eda alcanzar un rendimiento de 1 000 tokens por segundo. En los flujos de trabajo reales, Codex ofrec\u00eda tres modos de aprobaci\u00f3n claros: sugerencia, edici\u00f3n autom\u00e1tica y automatizaci\u00f3n completa, lo que permit\u00eda a los desarrolladores estar constantemente al tanto de todo. Este dise\u00f1o se adaptaba perfectamente a los desarrolladores que necesitaban una creaci\u00f3n r\u00e1pida de prototipos y una interacci\u00f3n de alta frecuencia.<\/p>\n\n\n\n

Por otro lado, Claude Code ten\u00eda desde el principio una personalidad \u201cfr\u00eda\u201d y comedida, propia de un arquitecto.<\/p>\n\n\n\n

\"Claude<\/figure>\n\n\n\n

Anthropic le dot\u00f3 del ADN para llevar a cabo tareas extremadamente complejas<\/a>. Se basaba en una ventana de contexto masiva de hasta un mill\u00f3n de tokens, junto con una t\u00e9cnica \u00fanica de \u201ccompresi\u00f3n\u201d que permit\u00eda mantener conversaciones pr\u00e1cticamente ilimitadas. La filosof\u00eda de Claude Code era \u201ccontrol global, actuar tras planificar\u201d. Antes de ejecutar cualquier acci\u00f3n, utilizaba primero una b\u00fasqueda basada en agentes para comprender a fondo todo el c\u00f3digo fuente y, a continuaci\u00f3n, coordinaba modificaciones coherentes en m\u00faltiples archivos. En tareas de refactorizaci\u00f3n a nivel empresarial que implicaban decenas de miles de l\u00edneas de c\u00f3digo, Claude Code demostr\u00f3 un dominio asombroso.<\/p>\n\n\n\n

Sin embargo, con el paso del tiempo y a medida que los casos de uso se ampliaban hacia los segmentos m\u00e1s bajos, estas dos herramientas, que en un principio eran muy diferentes, empezaron a imitarse mutuamente.<\/p>\n\n\n\n

\"imagen\"<\/figure>\n\n\n\n

A la hora de gestionar proyectos complejos, el mayor obst\u00e1culo para un \u00fanico modelo de IA es la \u00abcontaminaci\u00f3n del contexto\u00bb. Si le pides a una IA que refactorice un m\u00f3dulo de autenticaci\u00f3n, tras leer 40 archivos, a menudo olvida el patr\u00f3n de dise\u00f1o del primer archivo. Para resolver este problema, ambas empresas llegaron a soluciones casi id\u00e9nticas: asignar ventanas de contexto independientes a cada subtarea.<\/p>\n\n\n\n

OpenAI lanz\u00f3 r\u00e1pidamente una nueva aplicaci\u00f3n de escritorio para macOS, que a\u00edsla las tareas en diferentes subprocesos por proyecto y las ejecuta de forma independiente en entornos de prueba en la nube. Anthropic introdujo una arquitectura de \u201cequipo de agentes\u201d, que permite a los desarrolladores crear m\u00faltiples subagentes que comparten listas de tareas y dependencias mientras trabajan en paralelo dentro de contextos separados. Ya se denomine \u201centorno aislado en la nube\u201d o \u00abequipo de agentes\u00bb, la idea t\u00e9cnica fundamental est\u00e1 ahora totalmente alineada.<\/p>\n\n\n\n

Incluso en las tablas de resultados de los benchmarks, se aprecia un delicado equilibrio. GPT-5.3-Codex lidera el Terminal-Bench 2.0 con una puntuaci\u00f3n de 77,31 TP3T, mientras que Claude Code alcanza los 80,81 TP3T en el SWE-bench Verified, m\u00e1s complejo. Cada uno domina su propio \u00e1mbito de especializaci\u00f3n, al tiempo que intenta subsanar en\u00e9rgicamente sus puntos d\u00e9biles.<\/p>\n\n\n\n

El efecto OpenClaw: la fuerza invisible que derriba muros<\/h2>\n\n\n\n

Si la estrategia interna es la causa de la convergencia, la presi\u00f3n ejercida por el ecosistema de c\u00f3digo abierto constituye una fuerza externa que no se puede ignorar. En este sentido, hay que mencionar OpenClaw.<\/p>\n\n\n\n

Como marco de trabajo para flujos de trabajo procedente de la comunidad de c\u00f3digo abierto, OpenClaw<\/a> derrib\u00f3 de hecho las barreras del ecosistema erigidas por los gigantes tecnol\u00f3gicos. Estandariz\u00f3 la interacci\u00f3n entre los grandes modelos y las cadenas de herramientas de los terminales locales.<\/p>\n\n\n\n

En el pasado, aspectos como la forma elegante de hacer que un modelo recuperara las confirmaciones locales de Git, c\u00f3mo ejecutar de forma segura scripts de prueba en un entorno aislado y c\u00f3mo llevar a cabo una verificaci\u00f3n del razonamiento en varios pasos eran \u201ctecnolog\u00edas secretas\u201d propias de las que Codex y Claude Code se enorgullec\u00edan.<\/p>\n\n\n\n

Pero OpenClaw abstrajo estos procesos en protocolos generales. Esto significa que los desarrolladores ya no tienen por qu\u00e9 verse limitados a una plataforma concreta solo por utilizar un determinado patr\u00f3n de colaboraci\u00f3n. El movimiento de c\u00f3digo abierto convirti\u00f3 la estandarizaci\u00f3n en una tendencia imparable. Ante esta situaci\u00f3n, tanto OpenAI como Anthropic no tuvieron m\u00e1s remedio que bajar la guardia y adaptarse a estos est\u00e1ndares abiertos.<\/p>\n\n\n\n

Cuando las fuerzas del c\u00f3digo abierto, como OpenClaw, eliminen las barreras t\u00e9cnicas subyacentes y todas las funciones avanzadas se conviertan en configuraciones est\u00e1ndar, la \u00fanica v\u00eda de futuro para Codex y Claude Code ser\u00e1 una competencia sin fin en el \u00e1mbito de los matices de la experiencia de usuario.<\/p>\n\n\n\n

Por eso se parecen cada vez m\u00e1s. En un marco estandarizado, a menudo solo hay una soluci\u00f3n \u00f3ptima, igual que ocurre con la evoluci\u00f3n convergente en biolog\u00eda.<\/p>\n\n\n\n

Codex est\u00e1 alcanzando a Claude Code<\/h2>\n\n\n\n

Aunque Claude Code y Codex est\u00e1n convergiendo, siguen existiendo diferencias. En algunos aspectos, Codex est\u00e1 ganando incluso m\u00e1s popularidad entre los desarrolladores.<\/p>\n\n\n\n

Hace unos d\u00edas, en la comunidad r\/ClaudeCode, un ingeniero s\u00e9nior con 14 a\u00f1os de experiencia (el usuario u\/Canamerican726) comparti\u00f3 una evaluaci\u00f3n muy exhaustiva.<\/p>\n\n\n\n

Dedic\u00f3 100 horas a utilizar Claude Code y 20 horas a utilizar Codex en un proyecto complejo con 80 000 l\u00edneas de c\u00f3digo.<\/p>\n\n\n\n

Desde su punto de vista, utilizar Claude Code era como supervisar a un ingeniero que trabajaba contrarreloj: avanzaba a un ritmo vertiginoso, pero a menudo ignoraba las reglas establecidas en CLAUDE.md y tend\u00eda a amontonar c\u00f3digo en los archivos existentes en lugar de refactorizarlo.<\/p>\n\n\n\n

Por el contrario, Codex daba la impresi\u00f3n de ser un desarrollador s\u00f3lido y con experiencia, con entre 5 y 6 a\u00f1os de trayectoria. Aunque era entre 3 y 4 veces m\u00e1s lento, se tomaba su tiempo para reflexionar y refactorizar sobre la marcha, y segu\u00eda al pie de la letra los l\u00edmites de las instrucciones. Este nivel de autonom\u00eda hac\u00eda que el ingeniero se sintiera lo suficientemente c\u00f3modo como para delegarle tareas y centrarse en otros trabajos.<\/p>\n\n\n\n

En plataformas como X aparecieron opiniones similares. El investigador Aran Komatsuzaki se\u00f1al\u00f3 que Claude Code sigue liderando las tareas de front-end, pero que Codex es m\u00e1s s\u00f3lido en la planificaci\u00f3n del back-end y en mantener la informaci\u00f3n actualizada gracias a las frecuentes b\u00fasquedas en la web.<\/p>\n\n\n\n

\"<\/figure>\n\n\n\n

En los debates del mundo real, los desarrolladores se\u00f1alaron que los modelos basados en Opus funcionan r\u00e1pido, pero a menudo acumulan \u201cdeuda de limpieza del c\u00f3digo\u201d, mientras que Codex avanza m\u00e1s despacio, pero va limpiando sobre la marcha. Algunos incluso resumieron una regla general: cuando el uso de la ventana de contexto alcance los 70%, hay que iniciar una nueva sesi\u00f3n inmediatamente, o es probable que aparezcan errores ocultos.<\/p>\n\n\n\n

Estas experiencias de primera mano demuestran claramente que, a medida que las capacidades de estas herramientas se solapan cada vez m\u00e1s, lo que determina en \u00faltima instancia la preferencia de los desarrolladores son peque\u00f1as diferencias en la experiencia de uso \u2014aspectos como el \u201ccoste de la correcci\u00f3n de errores\u201d y la \u201ccarga mental que supone el mantenimiento\u201d\u2014. Para los usuarios chinos, tambi\u00e9n existen algunos retos adicionales.<\/p>\n\n\n\n

Una reflexi\u00f3n fr\u00eda: la guerra oculta de los ecosistemas que se esconde tras la homogeneizaci\u00f3n<\/h2>\n\n\n\n

Por supuesto, qu\u00e9 herramienta es mejor depende, en \u00faltima instancia, del desarrollador y de su propio nivel de competencia. Como concluy\u00f3 u\/Canamerican726: si no entiendes de ingenier\u00eda de software, ambas herramientas dar\u00e1n malos resultados. Las herramientas no son lo mismo que las habilidades.<\/p>\n\n\n\n

Esta afirmaci\u00f3n desmonta una ilusi\u00f3n arraigada en torno a las herramientas de programaci\u00f3n de IA. Antes cre\u00edamos que, con un asistente de IA lo suficientemente potente, incluso alguien sin conocimientos previos podr\u00eda crear por s\u00ed solo aplicaciones de nivel empresarial. Pero la realidad es otra.<\/p>\n\n\n\n

Claude Code requiere un \u201cconductor\u201d muy centrado y cualificado; de lo contrario, puede perder f\u00e1cilmente el rumbo en bases de c\u00f3digo de gran tama\u00f1o. Codex, aunque es m\u00e1s independiente, sigue necesitando que el desarrollador le proporcione un contexto del sistema preciso para rendir al m\u00e1ximo.<\/p>\n\n\n\n

Entonces, cuando las capacidades de las herramientas se vuelven muy homog\u00e9neas, \u00bfhacia d\u00f3nde se desplazan las verdaderas ventajas competitivas de estas empresas?<\/p>\n\n\n\n

La respuesta radica en las estrategias de precios y las realidades financieras. Para una misma tarea, Claude Code suele consumir entre tres y cuatro veces m\u00e1s tokens que Codex, lo que lo hace m\u00e1s caro. Para los equipos empresariales, el uso de El c\u00f3digo Claude puede costar entre $100 y $200.<\/a> por desarrollador al mes. Codex, por su parte, agrupa sus funciones en planes de suscripci\u00f3n m\u00e1s asequibles y aprovecha el enorme ecosistema de GitHub para atraer a los usuarios.<\/p>\n\n\n\n

El objetivo de Anthropic es integrar profundamente Claude Code en los flujos de trabajo de los gigantes tecnol\u00f3gicos con gran capacidad financiera. Por ejemplo, Stripe permiti\u00f3 que 1.370 ingenieros utilizaran Claude Code para completar una migraci\u00f3n entre lenguajes en cuatro d\u00edas, una tarea que habr\u00eda llevado semanas a un equipo de diez personas. Ramp lo utiliz\u00f3 para reducir el tiempo de respuesta ante incidencias en un 80%. OpenAI, por su parte, se apoya en el amplio alcance de su ecosistema para convertir a Codex en la opci\u00f3n predeterminada para muchos desarrolladores en su d\u00eda a d\u00eda.<\/p>\n\n\n\n

Esto ya no es solo una competici\u00f3n t\u00e9cnica: es una batalla por la fidelizaci\u00f3n al ecosistema, la estrategia de precios y la creaci\u00f3n de h\u00e1bitos entre los usuarios.<\/p>\n\n\n\n

La encrucijada del desarrollador<\/h2>\n\n\n\n

Si echamos la vista atr\u00e1s al a\u00f1o pasado, el lanzamiento de GPT-5.4-Cyber no es m\u00e1s que una peque\u00f1a nota al margen en una batalla mucho m\u00e1s larga. La convergencia de Codex y Claude Code indica que las herramientas de programaci\u00f3n de IA han pasado de una fase experimental inicial, llena de novedades, a una etapa madura e industrializada.<\/p>\n\n\n\n

En la actualidad, Claude Code genera 135 000 commits en GitHub al d\u00eda, lo que ya representa alrededor de 4% del total de commits p\u00fablicos. Es probable que, en un futuro pr\u00f3ximo, la mayor parte del c\u00f3digo repetitivo, los casos de prueba b\u00e1sicos y la refactorizaci\u00f3n rutinaria sean gestionados de forma discreta en segundo plano por estos agentes de IA, cada vez m\u00e1s similares entre s\u00ed.<\/p>\n\n\n\n

Ante dos herramientas excepcionales que son pr\u00e1cticamente id\u00e9nticas en cuanto a prestaciones y cada vez m\u00e1s similares en cuanto a la experiencia de usuario, \u00bfqu\u00e9 queda del valor fundamental del desarrollador humano?<\/p>\n\n\n\n

Quiz\u00e1s la era de la ventaja que proporcionan las herramientas est\u00e9 llegando a su fin. Cuando todo el mundo disponga de las mismas herramientas eficaces, lo que determine el \u00e9xito ya no ser\u00e1 qui\u00e9n tenga una finalizaci\u00f3n de c\u00f3digo m\u00e1s r\u00e1pida, sino qui\u00e9n sea capaz de definir mejor los problemas, qui\u00e9n tenga una visi\u00f3n m\u00e1s amplia de la arquitectura de sistemas y qui\u00e9n pueda encontrar esa irreemplazabilidad propia del ser humano en un mundo repleto de c\u00f3digo generado por la inteligencia artificial.<\/p>","protected":false},"excerpt":{"rendered":"

A few days ago, OpenAI officially released its brand-new large model, GPT-5.4-Cyber. Like many people online have said, this model gives a very strong sense of d\u00e9j\u00e0 vu. This new model, in its target users, application scenarios, and even marketing strategy, almost completely mirrors Anthropic\u2019s recently released Claude Mythos. This kind of \u201cclose combat\u201d has […]<\/p>\n","protected":false},"author":1,"featured_media":2445,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"Codex vs Claude Code: a deep comparison of today\u2019s leading AI coding tools. Explore performance, cost, architecture, and why they\u2019re becoming increasingly similar.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"none","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"both","_seopress_redirections_param":"","_seopress_redirections_type":301,"_seopress_analysis_target_kw":"","_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[2,3],"tags":[],"class_list":["post-2437","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-ai-tools"],"uagb_featured_image_src":{"full":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code.webp",2528,1696,false],"thumbnail":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-150x150.webp",150,150,true],"medium":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-300x201.webp",300,201,true],"medium_large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-768x515.webp",768,515,true],"large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-1024x687.webp",1024,687,true],"1536x1536":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-1536x1030.webp",1536,1030,true],"2048x2048":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-2048x1374.webp",2048,1374,true],"trp-custom-language-flag":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/04\/ChatGPT-Codex-vs-Claude-Code-18x12.webp",18,12,true]},"uagb_author_info":{"display_name":"Claude Carter","author_link":"https:\/\/deepinsightai.io\/es\/author\/cloud-han03gmail-com\/"},"uagb_comment_info":0,"uagb_excerpt":"A few days ago, OpenAI officially released its brand-new large model, GPT-5.4-Cyber. Like many people online have said, this model gives a very strong sense of d\u00e9j\u00e0 vu. This new model, in its target users, application scenarios, and even marketing strategy, almost completely mirrors Anthropic\u2019s recently released Claude Mythos. This kind of \u201cclose combat\u201d has…","_links":{"self":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2437","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/comments?post=2437"}],"version-history":[{"count":1,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2437\/revisions"}],"predecessor-version":[{"id":2446,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2437\/revisions\/2446"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/media\/2445"}],"wp:attachment":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/media?parent=2437"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/categories?post=2437"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/tags?post=2437"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}