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: 2026-10-17 Modelos evaluados: 442

Modelos recomendados

GPT-6.1 Sol xhigh Inteligente Tasa de aciertos por intento 97.1% Pruebas correctas 22 / 23 Puntuación 9.9/10 Gemini 3.7 Flash low Rápido Tiempo de respuesta (promedio) 6.24s Total de tokens de salida 38,453 Puntuación 9.4/10 GPT-6 Luna high Económico Precio de entrada $0.100 / 1M Precio de salida $0.500 / 1M Precio de lectura de caché $0.010 / 1M Precio de escritura de caché $0.125 / 1M Puntuación 7.7/10

442/442

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#401#401	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.6 Tasa de aciertos por intento 23.2% Pruebas inestables 3 Tokens de entrada 103,898 Tokens de salida 148,304 Tokens de razonamiento 774,972 Tiempo de respuesta (promedio) 64.99s Tiempo de respuesta (total) 1429.68s Tiempo de respuesta (máximo) 262.20s Sin respuesta: 7 Respuesta incorrecta: 5 No siguió las instrucciones: 4 Error de API: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 6.5 Programación : 2.9 Combinado : 3.0 Análisis y extracción de datos : 2.7 Específico del dominio : 3.0 Inteligencia general : 3.8 Seguimiento de instrucciones : 6.8 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 3 Tokens de entrada 113,613 Tokens de salida 122,706 Tokens de razonamiento 42,325 Tiempo de respuesta (promedio) 65.52s Tiempo de respuesta (total) 1376.01s Tiempo de respuesta (máximo) 304.19s Respuesta incorrecta: 6 Error de API: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 5.3 Combinado : 7.3 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 4.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 6 Tokens de entrada 260,850 Tokens de salida 125,908 Tokens de razonamiento 516,424 Tiempo de respuesta (promedio) 66.13s Tiempo de respuesta (total) 1520.96s Tiempo de respuesta (máximo) 417.36s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 3.6 Inteligencia general : 4.0 Seguimiento de instrucciones : 7.9 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#144#144	GLM 5.1medium	7.5	Z.ai	$1.546 ↑	66.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 9.2 Tasa de aciertos por intento 66.7% Pruebas inestables 4 Tokens de entrada 331,577 Tokens de salida 17,919 Tokens de razonamiento 230,789 Tiempo de respuesta (promedio) 66.38s Tiempo de respuesta (total) 1460.31s Tiempo de respuesta (máximo) 308.75s Respuesta incorrecta: 5 Tiempo agotado: 2 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 4.6 Combinado : 9.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 8.2 Llamada de herramientas : 3.0 Cultura general : 3.0
#181#181	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 79.7% Pruebas inestables 2 Tokens de entrada 79,249 Tokens de salida 5,097 Tokens de razonamiento 165,276 Tiempo de respuesta (promedio) 66.52s Tiempo de respuesta (total) 1463.50s Tiempo de respuesta (máximo) 238.07s Respuesta incorrecta: 4 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 7.3 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 : 3.0
#186#186	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 5 Tokens de entrada 251,695 Tokens de salida 49,415 Tokens de razonamiento 472,775 Tiempo de respuesta (promedio) 66.96s Tiempo de respuesta (total) 1539.99s Tiempo de respuesta (máximo) 519.30s Respuesta incorrecta: 5 Llamada de herramienta no válida: 2 Tiempo agotado: 2 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 6.0 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#383#383	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
Ver ficha del modelo Pruebas totales 16 Pruebas incorrectas 3 Fiabilidad N/D Tasa de aciertos por intento 56.5% Pruebas inestables 0 Tokens de entrada 28,980 Tokens de salida 1,283 Tokens de razonamiento 1,533,310 Tiempo de respuesta (promedio) 68.14s Tiempo de respuesta (total) 1090.28s Tiempo de respuesta (máximo) 280.52s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 7.5 Programación : 0.0 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 0.0
#124#124	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 79.7% Pruebas inestables 3 Tokens de entrada 308,369 Tokens de salida 7,013 Tokens de razonamiento 299,031 Tiempo de respuesta (promedio) 68.44s Tiempo de respuesta (total) 1574.14s Tiempo de respuesta (máximo) 436.38s Respuesta incorrecta: 6 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 7.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#89#89	GLM 5.2high	8.4	Z.ai	$4.632 ↑	69.11s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 3 Tokens de entrada 288,913 Tokens de salida 79,462 Tokens de razonamiento 303,120 Tiempo de respuesta (promedio) 69.11s Tiempo de respuesta (total) 1589.43s Tiempo de respuesta (máximo) 599.43s Respuesta incorrecta: 5 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.4 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#133#133	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 8 Tokens de entrada 281,859 Tokens de salida 102,526 Tokens de razonamiento 286,217 Tiempo de respuesta (promedio) 69.87s Tiempo de respuesta (total) 1607.12s Tiempo de respuesta (máximo) 451.90s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Sin respuesta: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 8.8 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 5.3 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 6.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#255#255	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 7 Tokens de entrada 306,662 Tokens de salida 17,819 Tokens de razonamiento 125,341 Tiempo de respuesta (promedio) 70.08s Tiempo de respuesta (total) 1611.86s Tiempo de respuesta (máximo) 376.10s Respuesta incorrecta: 6 Error de API: 2 Tiempo agotado: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 6.0 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 9 Tokens de entrada 208,598 Tokens de salida 120,583 Tokens de razonamiento 590,044 Tiempo de respuesta (promedio) 70.32s Tiempo de respuesta (total) 1617.43s Tiempo de respuesta (máximo) 459.19s Respuesta incorrecta: 10 No siguió las instrucciones: 2 Sin respuesta: 2 Formato extra: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.7 Programación : 4.2 Combinado : 9.9 Análisis y extracción de datos : 4.5 Específico del dominio : 3.6 Inteligencia general : 3.8 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 7 Tokens de entrada 255,887 Tokens de salida 154,879 Tokens de razonamiento 603,518 Tiempo de respuesta (promedio) 70.48s Tiempo de respuesta (total) 1620.93s Tiempo de respuesta (máximo) 480.52s Respuesta incorrecta: 9 Sin respuesta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 5.8 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 3.4 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#399#399	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 23.2% Pruebas inestables 3 Tokens de entrada 115,314 Tokens de salida 133,965 Tokens de razonamiento 816,718 Tiempo de respuesta (promedio) 72.24s Tiempo de respuesta (total) 1589.23s Tiempo de respuesta (máximo) 345.15s Sin respuesta: 7 Respuesta incorrecta: 6 No siguió las instrucciones: 3 Error de API: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 6.4 Programación : 2.9 Combinado : 3.0 Análisis y extracción de datos : 2.8 Específico del dominio : 2.9 Inteligencia general : 5.4 Seguimiento de instrucciones : 6.8 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#99#99	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 82.6% Pruebas inestables 3 Tokens de entrada 342,124 Tokens de salida 7,135 Tokens de razonamiento 326,497 Tiempo de respuesta (promedio) 72.50s Tiempo de respuesta (total) 1667.51s Tiempo de respuesta (máximo) 676.83s Respuesta incorrecta: 3 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#219#219	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 4 Tokens de entrada 421,200 Tokens de salida 1,100,052 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 72.72s Tiempo de respuesta (total) 1672.53s Tiempo de respuesta (máximo) 364.99s Respuesta incorrecta: 8 Sin respuesta: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.4 Trucos anti-IA : 10.0 Programación : 4.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#103#103	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 8.9 Tasa de aciertos por intento 78.3% Pruebas inestables 6 Tokens de entrada 237,604 Tokens de salida 9,617 Tokens de razonamiento 244,190 Tiempo de respuesta (promedio) 73.02s Tiempo de respuesta (total) 1679.49s Tiempo de respuesta (máximo) 485.92s Respuesta incorrecta: 7 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 7.0 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 9.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 42.0% Pruebas inestables 8 Tokens de entrada 283,116 Tokens de salida 277,920 Tokens de razonamiento 665,124 Tiempo de respuesta (promedio) 74.52s Tiempo de respuesta (total) 1713.90s Tiempo de respuesta (máximo) 510.21s Respuesta incorrecta: 10 No siguió las instrucciones: 4 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.7 Programación : 3.7 Combinado : 3.0 Análisis y extracción de datos : 6.3 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 4.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#127#127	Grok 4.6medium	7.8	X AI	$2.270	74.77s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 78.3% Pruebas inestables 4 Tokens de entrada 336,351 Tokens de salida 6,180 Tokens de razonamiento 260,017 Tiempo de respuesta (promedio) 74.77s Tiempo de respuesta (total) 1719.73s Tiempo de respuesta (máximo) 514.35s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#208#208	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 9.7 Tasa de aciertos por intento 59.4% Pruebas inestables 5 Tokens de entrada 166,517 Tokens de salida 107,386 Tokens de razonamiento 217,548 Tiempo de respuesta (promedio) 77.03s Tiempo de respuesta (total) 1694.74s Tiempo de respuesta (máximo) 431.03s Respuesta incorrecta: 5 Tiempo agotado: 3 No siguió las instrucciones: 2 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 3.0 Trucos anti-IA : 5.5 Programación : 6.1 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.2 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#330#330	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.6 Tasa de aciertos por intento 47.8% Pruebas inestables 12 Tokens de entrada 170,517 Tokens de salida 149,968 Tokens de razonamiento 509,725 Tiempo de respuesta (promedio) 77.08s Tiempo de respuesta (total) 1772.78s Tiempo de respuesta (máximo) 490.99s Respuesta incorrecta: 11 No siguió las instrucciones: 4 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 3.5 Trucos anti-IA : 5.5 Programación : 4.4 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 3.7 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#61#61	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.8 Tasa de aciertos por intento 78.3% Pruebas inestables 5 Tokens de entrada 256,646 Tokens de salida 10,490 Tokens de razonamiento 210,325 Tiempo de respuesta (promedio) 77.44s Tiempo de respuesta (total) 1781.16s Tiempo de respuesta (máximo) 643.19s Respuesta incorrecta: 3 No siguió las instrucciones: 2 Formato extra: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.9 Programación : 8.2 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 8.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#417#417	Command A+none	3.0	Cohere	$0.000	77.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 0.0 Tasa de aciertos por intento 0.0% Pruebas inestables 0 Tokens de entrada 0 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 77.87s Tiempo de respuesta (total) 1791.03s Tiempo de respuesta (máximo) 106.37s Error de API: 23 Tareas de agentes : 3.0 Trucos anti-IA : 3.0 Programación : 3.0 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 3 Tokens de entrada 251,164 Tokens de salida 36,112 Tokens de razonamiento 241,203 Tiempo de respuesta (promedio) 78.76s Tiempo de respuesta (total) 1653.96s Tiempo de respuesta (máximo) 437.40s Respuesta incorrecta: 4 Error de API: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 4.3 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 9.9 Llamada de herramientas : 3.0 Cultura general : 3.0
#183#183	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 5 Tokens de entrada 245,179 Tokens de salida 62,697 Tokens de razonamiento 196,621 Tiempo de respuesta (promedio) 81.18s Tiempo de respuesta (total) 1785.87s Tiempo de respuesta (máximo) 365.80s Respuesta incorrecta: 8 Tiempo agotado: 2 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.3 Programación : 7.8 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.9 Llamada de herramientas : 3.0 Cultura general : 3.0

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 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow