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: 311

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

311/311

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#211#211	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 14 Fiabilidad 8.5 Tasa de aciertos por intento 43.9% Pruebas inestables 4 Tokens de entrada 81,742 Tokens de salida 423,884 Tokens de razonamiento 1,340,907 Tiempo de respuesta (promedio) 141.99s Tiempo de respuesta (total) 3123.87s Tiempo de respuesta (máximo) 786.72s Respuesta incorrecta: 9 Formato extra: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Trucos anti-IA : 8.4 Programación : 4.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#66#66	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
#104#104	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 59.1% Pruebas inestables 2 Tokens de entrada 97,324 Tokens de salida 44,383 Tokens de razonamiento 346,490 Tiempo de respuesta (promedio) 143.55s Tiempo de respuesta (total) 3158.11s Tiempo de respuesta (máximo) 939.52s Respuesta incorrecta: 7 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 7.3 Análisis y extracción de datos : 6.3 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 51.5% Pruebas inestables 4 Tokens de entrada 93,411 Tokens de salida 30,470 Tokens de razonamiento 356,172 Tiempo de respuesta (promedio) 153.29s Tiempo de respuesta (total) 3372.36s Tiempo de respuesta (máximo) 941.66s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Sin respuesta: 2 Tiempo agotado: 2 Trucos anti-IA : 8.9 Programación : 7.8 Combinado : 10.0 Análisis y extracción de datos : 3.6 Específico del dominio : 3.6 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#18#18	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 80.3% Pruebas inestables 2 Tokens de entrada 104,464 Tokens de salida 6,844 Tokens de razonamiento 590,392 Tiempo de respuesta (promedio) 163.90s Tiempo de respuesta (total) 3605.87s Tiempo de respuesta (máximo) 739.98s Respuesta incorrecta: 3 Sin respuesta: 2 Trucos anti-IA : 8.2 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#49#49	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 9.6 Tasa de aciertos por intento 77.3% Pruebas inestables 2 Tokens de entrada 100,179 Tokens de salida 904 Tokens de razonamiento 655,731 Tiempo de respuesta (promedio) 167.89s Tiempo de respuesta (total) 3693.54s Tiempo de respuesta (máximo) 640.85s No siguió las instrucciones: 2 Sin respuesta: 2 Respuesta incorrecta: 2 Trucos anti-IA : 10.0 Programación : 8.1 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#29#29	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 78.8% Pruebas inestables 3 Tokens de entrada 104,695 Tokens de salida 6,645 Tokens de razonamiento 691,086 Tiempo de respuesta (promedio) 173.96s Tiempo de respuesta (total) 3827.19s Tiempo de respuesta (máximo) 584.71s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Trucos anti-IA : 8.2 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#202#202	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 50.0% Pruebas inestables 2 Tokens de entrada 65,716 Tokens de salida 189,424 Tokens de razonamiento 379,112 Tiempo de respuesta (promedio) 191.63s Tiempo de respuesta (total) 3066.07s Tiempo de respuesta (máximo) 1597.85s Respuesta incorrecta: 5 No siguió las instrucciones: 3 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Trucos anti-IA : 10.0 Programación : 2.4 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#50#50	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 78.8% Pruebas inestables 5 Tokens de entrada 104,433 Tokens de salida 6,511 Tokens de razonamiento 752,680 Tiempo de respuesta (promedio) 193.59s Tiempo de respuesta (total) 4258.98s Tiempo de respuesta (máximo) 885.33s Respuesta incorrecta: 5 No siguió las instrucciones: 1 Sin respuesta: 1 Trucos anti-IA : 8.2 Programación : 8.2 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 9.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 19 Fiabilidad 5.4 Tasa de aciertos por intento 19.7% Pruebas inestables 3 Tokens de entrada 45,154 Tokens de salida 4,022 Tokens de razonamiento 678,516 Tiempo de respuesta (promedio) 214.25s Tiempo de respuesta (total) 4713.56s Tiempo de respuesta (máximo) 597.45s Error de API: 14 Respuesta incorrecta: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Trucos anti-IA : 6.0 Programación : 5.2 Combinado : 2.9 Análisis y extracción de datos : 8.7 Específico del dominio : 4.5 Inteligencia general : 7.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 18 Fiabilidad 7.6 Tasa de aciertos por intento 39.4% Pruebas inestables 10 Tokens de entrada 43,278 Tokens de salida 181,083 Tokens de razonamiento 431,132 Tiempo de respuesta (promedio) 235.89s Tiempo de respuesta (total) 5189.64s Tiempo de respuesta (máximo) 685.87s Tiempo agotado: 10 Respuesta incorrecta: 6 Llamada de herramienta no válida: 1 Sin respuesta: 1 Trucos anti-IA : 6.9 Programación : 3.8 Combinado : 5.0 Análisis y extracción de datos : 3.8 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0

←

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 3.8 Flashhigh Gemini 3.8 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