Leaderboard de AI Benchy

Name: Resultados de benchmark de modelos de AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks generados a partir de los suites de prueba de AI BENCHY en: 2026-09-02 Modelos evaluados: 305

Modelos recomendados

GPT-5.6 Sol high Inteligente Tasa de aciertos por intento 89.4% Pruebas correctas 18 / 22 Puntuación 9.4/10 GPT-5.6 Luna medium Rápido Tiempo de respuesta (promedio) 7.43s Total de tokens de salida 44,525 Puntuación 7.4/10 DeepSeek V4 Flash 0731 high Económico Precio de entrada $0.065 / 1M Precio de salida $0.180 / 1M Puntuación 8.0/10

305/305

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#14#14	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 81.8% Pruebas inestables 0 Tokens de entrada 135,956 Tokens de salida 64,624 Tokens de razonamiento 30,959 Tiempo de respuesta (promedio) 22.51s Tiempo de respuesta (total) 495.12s Tiempo de respuesta (máximo) 159.01s Respuesta incorrecta: 2 Formato extra: 1 Sin respuesta: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#18#18	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 3 Fiabilidad 10.0 Tasa de aciertos por intento 89.4% Pruebas inestables 1 Tokens de entrada 135,958 Tokens de salida 7,930 Tokens de razonamiento 32,141 Tiempo de respuesta (promedio) 13.59s Tiempo de respuesta (total) 298.90s Tiempo de respuesta (máximo) 40.17s Respuesta incorrecta: 3 Trucos anti-IA : 10.0 Programación : 8.4 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#61#61	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 9.0 Tasa de aciertos por intento 77.3% Pruebas inestables 2 Tokens de entrada 34,960 Tokens de salida 2,887 Tokens de razonamiento 221,241 Tiempo de respuesta (promedio) 142.84s Tiempo de respuesta (total) 2714.02s Tiempo de respuesta (máximo) 766.58s Error de API: 2 Sin respuesta: 2 Formato extra: 1 Tiempo agotado: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.5 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#20#20	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 87.9% Pruebas inestables 3 Tokens de entrada 80,668 Tokens de salida 5,617 Tokens de razonamiento 119,699 Tiempo de respuesta (promedio) 38.97s Tiempo de respuesta (total) 857.43s Tiempo de respuesta (máximo) 332.10s Respuesta incorrecta: 4 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 2.8
#267#267	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 10 Fiabilidad N/D Tasa de aciertos por intento 48.5% Pruebas inestables 5 Tokens de entrada 721,952 Tokens de salida 294,668 Tokens de razonamiento 305,374 Tiempo de respuesta (promedio) 9.69s Tiempo de respuesta (total) 155.07s Tiempo de respuesta (máximo) 35.28s Respuesta incorrecta: 4 Error de API: 2 Formato extra: 2 No siguió las instrucciones: 2 Trucos anti-IA : 6.9 Programación : 3.3 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.7 Llamada de herramientas : 3.0 Cultura general : 0.0

←

1 12 13

Tendencias globales del benchmark

Descubre cómo los modelos actuales equilibran puntuación, costo, velocidad, longitud de salida y rendimiento por categoría.

Gráficos →

Frontera de Pareto: inteligencia vs costo

Evolución de la mejor puntuación de las empresas líderes

Frontera de Pareto: inteligencia vs velocidad de respuesta

Frontera de Pareto: puntuación vs tokens de salida

Dificultad de las categorías entre modelos

Comparación rápida

Gemini 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow