---
title: "Mejor modelo abierto para agentes de programación | BroadRouter"
description: "¿GLM 5.3, DeepSeek V4.1 Flash, Qwen3.8 27B o Gemma 4 para su agente de programación? Elija por herramientas, contexto, razonamiento y costo por tarea, con cálculos."
url: https://broadrouter.com/es/blog/best-open-model-for-coding-agents/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/best-open-model-for-coding-agents/) (actualizado el 2026-11-16).

# Mejor modelo abierto para agentes: herramientas, contexto y costo

Por el equipo de BroadNet Inference · 6 min de lectura · Publicado 2026-11-14 · Actualizado 2026-11-16

Para un agente de programación que depende de llamadas a herramientas nativas (opencode, el modo Agent de Continue, Zoo Code), GLM 5.3 es la opción más segura en BroadNet: herramientas indicadas y 1M de contexto. Para Aider o un agente que trabaja todo el día, lo más barato es DeepSeek V4.1 Flash con un plan fijo. Qwen3.8 27B sirve para capturas de pantalla. Los 32K de Gemma 4 VL 26B se quedan cortos.

## Puntos clave

-   Revise primero las llamadas a herramientas. BroadNet las indica para GLM 5.3 y Qwen3.8 27B, no para DeepSeek V4.1 Flash ni Gemma 4 VL 26B.
-   El contexto decide cuánto del repositorio puede ver un agente: 1,048,576 tokens en GLM 5.3 y DeepSeek V4.1 Flash, 262,144 en Qwen3.8 27B y 32,768 en Gemma 4 VL 26B.
-   Calcule el precio por tarea, no por token. En nuestra tarea de ejemplo, el agente lee 30 veces más tokens de los que escribe, así que los precios de entrada y de entrada en caché son los que más pesan.
-   Con los precios publicados, una tarea de ejemplo cuesta unas 7 veces más en GLM 5.3 y unas 2.5 veces más en Qwen3.8 27B que en DeepSeek V4.1 Flash.
-   Ejecute la misma tarea real en dos modelos antes de comprometerse. Una hora de Meteoro por $1 basta para probar DeepSeek V4.1 Flash.

**En esta página**

1.  ¿Qué modelos hay sobre la mesa?
2.  Prueba 1: ¿su agente necesita llamadas a herramientas nativas?
3.  Prueba 2: ¿el contexto es suficientemente grande?
4.  Prueba 3: ¿cuánto cuesta una tarea?
5.  Prueba 4: ¿cuánto piensa el modelo?
6.  Entonces, ¿cuál elegir?
7.  Dónde encaja BroadNet Inference

La mayoría de las listas de «mejor modelo abierto para programar» clasifican los modelos por resultados de benchmarks. Eso ayuda a elegir una familia de modelos, pero no le dice qué modelo funcionará en **su** agente, a través de **su** proveedor, con un costo que pueda asumir. Este artículo reduce la elección a los cuatro modelos de chat que ofrece BroadNet Inference y elige con cuatro pruebas prácticas: llamadas a herramientas, contexto, razonamiento y costo por tarea. Aquí no publicamos resultados de benchmarks; solo usamos lo que indican la documentación y el archivo de precios de BroadNet.

## ¿Qué modelos hay sobre la mesa?

| Modelo | ID | Contexto | Herramientas indicadas | Entrada de imágenes | Razona primero |
| --- | --- | --- | --- | --- | --- |
| [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) | `broadnet/glm-5.3` | 1,048,576 | Sí | No | Sí |
| [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) | `broadnet/deepseek-v4.1-flash` | 1,048,576 | No indicadas | Sí | Sí |
| [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) | `broadnet/qwen3.8-27b` | 262,144 | Sí | Sí | Sí |
| [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) | `broadnet/gemma-4-26b-a4b` | 32,768 | No indicadas | Sí | No indicado |

Los cuatro son [modelos de pesos abiertos](https://broadrouter.com/es/glossary/open-weight-model/) servidos a través de una sola [API compatible con OpenAI](https://broadrouter.com/es/glossary/openai-compatible-api/) en `https://inference.broadnet.ai/v1`, así que cambiar de uno a otro es cambiar una línea en los ajustes de su agente.

## Prueba 1: ¿su agente necesita llamadas a herramientas nativas?

Esta es la pregunta que incluye o descarta modelos. Las [llamadas a herramientas](https://broadrouter.com/es/glossary/tool-calling/) son la forma en que un agente pide a su máquina que lea un archivo, ejecute un comando o aplique una edición. Los agentes las usan de tres maneras distintas:

-   **Llamadas a herramientas nativas.** El agente envía una lista `tools` y espera `tool_calls` en la respuesta. La documentación de Roo Code (el proyecto se cerró el 15 de mayo de 2026; su fork Zoo Code lo continúa) dice que las llamadas a herramientas nativas son “the only supported tool protocol” (Traducción: el único protocolo de herramientas admitido), sin alternativa en XML. La referencia de configuración de Continue dice que la capacidad `tool_use` es “required for Agent mode” (Traducción: obligatoria para el modo Agent). opencode también trabaja con las llamadas a herramientas de la API.
-   **Herramientas descritas en el prompt.** Cline pasó a las llamadas a herramientas nativas en la v3.35 para una lista de proveedores concretos y modelos de frontera; su anuncio dice que los demás modelos “continue using the text-based approach” (Traducción: siguen usando el enfoque basado en texto). El modelo aún tiene que seguir un formato de herramientas estricto, así que importa lo bien que siga las herramientas.
-   **Formatos de edición en texto.** Aider pide al modelo que devuelva las ediciones como texto: archivos completos, bloques de búsqueda y reemplazo o diffs unificados, según su [documentación de formatos de edición](https://aider.chat/docs/more/edit-formats.html). No depende del campo de llamadas a herramientas de la API. Las opciones de modelo para Aider están en [el mejor LLM para Aider](https://broadrouter.com/es/blog/best-llm-for-aider/).

Así que la primera regla es sencilla. Para un agente basado en herramientas como opencode, el modo Agent de Continue o Zoo Code, use un modelo que BroadNet indique con herramientas: GLM 5.3 o Qwen3.8 27B. Cline es más tolerante, pero esos mismos dos modelos son el punto de partida más seguro. Para Aider sirve cualquiera de los modelos de contexto grande, incluido DeepSeek V4.1 Flash. Si quiere DeepSeek V4.1 Flash en un agente basado en herramientas, ejecute antes una tarea real con él. Una llamada a herramienta fallida suele aparecer en los dos o tres primeros pasos.

## Prueba 2: ¿el contexto es suficientemente grande?

La [ventana de contexto](https://broadrouter.com/es/glossary/context-window/) de un agente se llena más rápido de lo que se espera. Antes de leer código, una solicitud ya lleva un prompt de sistema, los esquemas de herramientas y la conversación hasta ese momento. Después llegan las lecturas de archivos y la salida de los comandos. Nuestro [desglose del presupuesto de tokens de un agente](https://broadrouter.com/es/blog/agent-token-budget/) muestra a dónde van, y la [calculadora de ventana de contexto](https://broadrouter.com/tools/context-window-calculator/) comprueba si sus archivos caben.

-   **1,048,576 tokens** (GLM 5.3, DeepSeek V4.1 Flash): una sesión larga sobre un repositorio mediano sin recortes agresivos.
-   **262,144 tokens** (Qwen3.8 27B): bien para tareas acotadas; las sesiones largas necesitan resúmenes o un mapa del repositorio más pequeño.
-   **32,768 tokens** (Gemma 4 VL 26B): demasiado poco para la mayoría de los bucles de agente. Úselo para probar una configuración con el crédito inicial de $5.

Defina usted mismo el tamaño de contexto en los ajustes de modelo del agente. Los agentes no pueden detectarlo en IDs de modelo personalizados, y algunos asumen un valor por defecto que no corresponde a su modelo.

## Prueba 3: ¿cuánto cuesta una tarea?

Los agentes leen mucho más de lo que escriben, y la mayor parte de lo que leen se repite del turno anterior. Por eso, los precios de entrada y de [entrada en caché](https://broadrouter.com/es/glossary/cached-input-tokens/) importan más que el de salida. Esta es la forma de una tarea: 40 llamadas al modelo con una media de 30,000 tokens de entrada y 1,000 de salida cada una, con el 80 % de la entrada servida desde la caché.

| Por tarea | Tokens | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B |
| --- | --- | --- | --- | --- |
| Entrada nueva | 0.24M | $0.175 / 1M | $0.78 / 1M | $0.175 / 1M |
| Entrada en caché | 0.96M | $0.0055 / 1M | $0.173 / 1M | $0.0435 / 1M |
| Salida, con razonamiento | 0.04M | $0.52 / 1M | $3.46 / 1M | $2.17 / 1M |

Multiplique cada fila y súmelas. Con los precios sincronizados el 2026-11-14, esta tarea cuesta unas **7 veces más en GLM 5.3** y unas **2.5 veces más en Qwen3.8 27B** que en DeepSeek V4.1 Flash. Su propia proporción depende de su tasa de caché y de cuánto razone el modelo, así que mídala. Introduzca sus recuentos de tokens en la [calculadora de costos de API de LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) o compare modelos lado a lado en [DeepSeek V4.1 Flash vs. GLM 5.3](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-glm-5.3/) y [GLM 5.3 vs. Qwen3.8 27B](https://broadrouter.com/compare/glm-5.3-vs-qwen3.8-27b/).

En un [plan ilimitado](https://broadrouter.com/es/guides/unlimited-llm-api-sessions/), DeepSeek V4.1 Flash no tiene medidor de tokens: $60 al mes por sesión, una solicitud a la vez. Para un agente que trabaja la mayor parte del día, eso suele superar cualquier precio por token. Con un 80 % de aciertos de caché, el [cálculo del punto de equilibrio](https://broadrouter.com/es/blog/flat-rate-vs-pay-per-token-llm-api/) sitúa la línea en torno a 917 millones de tokens de entrada y 46 millones de de salida al mes.

## Prueba 4: ¿cuánto piensa el modelo?

Los tres modelos grandes razonan antes de responder, y el razonamiento cuenta dentro de `max_tokens`. En un agente, esto causa dos problemas: respuestas vacías cuando el límite de salida es pequeño y facturas de salida más altas con pago por uso. Dé a cada llamada unos pocos miles de tokens de salida y ponga `reasoning_effort` en `low` para pasos rutinarios como leer archivos. [Por qué los modelos de razonamiento devuelven respuestas vacías](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/).

## Entonces, ¿cuál elegir?

1.  **opencode, el modo Agent de Continue, Cline, Zoo Code o su propio bucle de herramientas:** GLM 5.3. Herramientas indicadas, 1M de contexto y el precio por token más alto de los cuatro.
2.  **Aider, o cualquier agente de larga duración donde la factura sea lo que más importa:** DeepSeek V4.1 Flash, idealmente con un plan ilimitado.
3.  **Agentes que leen capturas de pantalla o trabajan en árabe:** Qwen3.8 27B, con herramientas y entrada de imágenes; la página de precios de BroadNet dice que se probó en árabe.
4.  **Una primera prueba con el crédito inicial de $5:** Gemma 4 VL 26B, y después pase a un modelo mayor.

También puede combinarlos. Cline, por ejemplo, tiene un ajuste para usar modelos distintos en los modos Plan y Act. Los pasos de configuración de cada agente están en nuestra [guía central de modelos abiertos en agentes de programación](https://broadrouter.com/es/blog/use-open-models-in-coding-agents/), y una comparación de funciones en [Cline vs. Roo Code vs. Aider](https://broadrouter.com/es/blog/cline-vs-roo-code-vs-aider/).

## Dónde encaja BroadNet Inference

BroadNet Inference ofrece estos cuatro modelos con retención cero de datos y una sola clave de API. La declaración de privacidad de BroadNet dice que los modelos de pesos abiertos alojados se ejecutan en hardware propio o arrendado por BroadNet en EE. UU., y que los modelos que sirven socios, como DeepSeek V4.1 Flash, se ejecutan con socios de inferencia en EE. UU. Encaja con equipos que quieren un modelo abierto de 1M de tokens para sus agentes y una factura fija para DeepSeek V4.1 Flash. No encaja si necesita un modelo concreto que no ofrece, una herramienta alojada por el proveedor como la búsqueda web o resultados de benchmarks publicados para comparar modelos; en ese caso, haga su propia prueba a nivel de tarea. Puede probar cualquier modelo con una clave de pago por uso o comprar una hora de Meteoro (Meteor) por $1 en la [página de planes](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-best-open-model-for-coding-agents&utm_content=body).

Herramientas gratuitas sobre este tema (en inglés)

-   [Agent run cost estimator](https://broadrouter.com/tools/agent-run-cost-estimator/) Context growth per step, total tokens and cost of one agent run, with a DeepSeek session comparison.
-   [LLM batch job planner](https://broadrouter.com/tools/llm-batch-job-planner/) Run time, binding limit, cost per model and the flat sessions needed to finish a big job by a deadline.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [LLM rate limit and concurrency calculator](https://broadrouter.com/tools/llm-rate-limit-calculator/) Which limit binds first: RPM, TPM or concurrency, with Little's law.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Modelo de pesos abiertos (open-weight model)](https://broadrouter.com/es/glossary/open-weight-model/)

Un modelo de pesos abiertos es un modelo de aprendizaje automático cuyos pesos entrenados se publican para que cualquiera los descargue y ejecute, normalmente con una licencia con condiciones. Se diferencia de la IA totalmente de código abierto, que además publica el código de entrenamiento e información detallada sobre los datos, para que otros puedan estudiar y reproducir el modelo.

[Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/)

Los tokens de entrada en caché son tokens del prompt que un proveedor de LLM procesó recientemente y puede reutilizar desde un caché en lugar de calcularlos de nuevo; normalmente son un prefijo repetido, como un prompt de sistema o un documento. Los proveedores los cobran a una tarifa menor que los tokens de entrada nuevos.

[Tokens de entrada y de salida (input and output tokens)](https://broadrouter.com/es/glossary/input-and-output-tokens/)

Los tokens de entrada son los que un modelo de lenguaje lee en una solicitud, incluidos el prompt de sistema, el historial de la conversación, las definiciones de herramientas y las imágenes. Los tokens de salida son los que genera en la respuesta, incluido el razonamiento. Las APIs de LLM suelen cobrarlos por separado, y la salida suele costar más.

[Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/)

La ventana de contexto es la cantidad máxima de tokens con la que un modelo de lenguaje puede trabajar en una sola solicitud. Incluye el prompt, el historial de la conversación, las definiciones de herramientas, las imágenes y la salida generada, incluidos los tokens de razonamiento. Lo que no cabe debe recortarse, resumirse o dividirse en varias solicitudes.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[API compatible con OpenAI](https://broadrouter.com/es/glossary/openai-compatible-api/)

Una API compatible con OpenAI es una API HTTP que acepta los mismos formatos de solicitud y respuesta que la API de OpenAI, como POST /v1/chat/completions, de modo que los SDKs y herramientas de OpenAI pueden usarla cambiando solo la URL base, la clave de API y el nombre del modelo.

## Preguntas frecuentes

### ¿Cuál es el mejor modelo open source para opencode o Zoo Code?

En BroadNet Inference, empiece con GLM 5.3. Estos agentes trabajan con llamadas a herramientas, y BroadNet indica llamadas a herramientas y salida estructurada para GLM 5.3, con un contexto de 1,048,576 tokens. Pruebe DeepSeek V4.1 Flash en una tarea real antes de depender de él, porque BroadNet no indica herramientas para ese modelo.

### ¿Qué modelo abierto es el más barato para un agente de programación?

En BroadNet, DeepSeek V4.1 Flash tiene los precios por token más bajos de sus modelos con 1M de contexto, $0.175 por 1M de entrada y $0.0055 por 1M de entrada en caché. Algunos otros proveedores lo publican más barato por token, como DeepSeek-V4.1-Flash-1017 con descuento en DeepInfra, publicado el 16 de noviembre de 2026 a USD 0.098 de entrada y USD 0.0029 en caché. Con el plan ilimitado de BroadNet no tiene ningún medidor de tokens, por $60 al mes por sesión.

### ¿Aider necesita un modelo con llamadas a herramientas?

Los formatos de edición documentados de Aider son formatos de texto, como archivos completos o bloques de búsqueda y reemplazo, así que no depende del campo de llamadas a herramientas de la API. Eso lo hace adecuado para DeepSeek V4.1 Flash.

### ¿Bastan 32K de contexto para un agente de programación?

Rara vez. El prompt de sistema del agente y las definiciones de herramientas pueden ocupar por sí solos miles de tokens antes de leer una sola línea de código. Gemma 4 VL 26B de BroadNet (32,768 tokens) sirve para probar una configuración con el crédito inicial de $5, no para el trabajo diario de un agente.

### ¿Los modelos de razonamiento cuestan más en el bucle de un agente?

Con pago por uso, sí. Los tokens de razonamiento se facturan como salida. DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B razonan primero. Ponga reasoning\_effort en low para los pasos sencillos o use un plan ilimitado, donde los tokens no se miden.

## Siga leyendo

-   [Modelos abiertos en agentes de código: Aider, Cline, opencode, Codex](https://broadrouter.com/es/blog/use-open-models-in-coding-agents/)
-   [Presupuesto de tokens de un agente: adónde van los tokens del bucle](https://broadrouter.com/es/blog/agent-token-budget/)
-   [Cline vs Roo Code vs Aider para equipos con modelos abiertos (2026)](https://broadrouter.com/es/blog/cline-vs-roo-code-vs-aider/)
-   [API de LLM con tarifa plana o pago por token: el punto de equilibrio](https://broadrouter.com/es/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Cuánto cuesta ejecutar un agente de IA: pasos, contexto y caché](https://broadrouter.com/es/blog/ai-coding-agent-run-cost/)
-   [Claude Code con modelos abiertos: proxies, endpoints nativos y límites](https://broadrouter.com/es/blog/claude-code-with-openai-compatible-models/)
-   [Guía: Cline con BroadNet Inference (proveedor OpenAI Compatible)](https://broadrouter.com/es/guides/cline-openai-compatible/)
-   [Guía: Aider con DeepSeek V4.1 Flash ilimitado](https://broadrouter.com/es/guides/aider-unlimited-deepseek/)
-   [Guía: Agregue BroadNet Inference a opencode como proveedor personalizado](https://broadrouter.com/es/guides/opencode-custom-provider/)
-   [Guía: ¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-best-open-model-for-coding-agents&utm_content=page-cta) ·

**Fuentes**

-   [Precios y longitudes de contexto de BroadNet Inference en formato legible por máquina (pricing.json, consultado el 2026-11-14) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-best-open-model-for-coding-agents&utm_content=sources)
-   [Referencia de la API de BroadNet Inference, modelos (consultado el 2026-11-14) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-best-open-model-for-coding-agents&utm_content=sources#models)
-   [Documentación de Aider, formatos de edición (consultado el 2026-11-14)](https://aider.chat/docs/more/edit-formats.html)
-   [Documentación de Roo Code (proyecto cerrado el 2026-05-15; Zoo Code es su fork), proveedores OpenAI Compatible, solo llamadas a herramientas nativas (consultado el 2026-11-14)](https://roocodeinc.github.io/Roo-Code/providers/openai-compatible)
-   [Documentación de Continue, referencia de config.yaml, capacidad tool\_use (consultado el 2026-11-14)](https://docs.continue.dev/reference)
-   [Blog de Cline, llamadas a herramientas nativas en v3.35 (31 de octubre de 2025; consultado el 2026-11-14)](https://cline.bot/blog/cline-v3-35)
-   [Precios de DeepInfra (consultado el 2026-11-14; precios promocionales revisados el 2026-11-16)](https://deepinfra.com/pricing)
-   [Página de precios de BroadNet Inference: notas de pruebas en árabe por modelo (consultado el 2026-11-16)](https://inference.broadnet.ai/es/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-best-open-model-for-coding-agents&utm_content=sources)
-   [Declaración de privacidad de BroadNet Inference: dónde se realiza el procesamiento (consultado el 2026-11-16)](https://www.broadnet.ai/es/inference-privacy)
