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)
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.8 Tasa de aciertos por intento 47.8% Pruebas inestables 12 Tokens de entrada 195,780 Tokens de salida 167,746 Tokens de razonamiento 598,384 Tiempo de respuesta (promedio) 81.93s Tiempo de respuesta (total) 1884.31s Tiempo de respuesta (máximo) 437.11s Respuesta incorrecta: 13 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 2.8 Trucos anti-IA : 6.9 Programación : 4.4 Combinado : 6.2 Análisis y extracción de datos : 3.7 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 4.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.5 Tasa de aciertos por intento 40.6% Pruebas inestables 9 Tokens de entrada 207,883 Tokens de salida 144,718 Tokens de razonamiento 525,897 Tiempo de respuesta (promedio) 83.19s Tiempo de respuesta (total) 1913.41s Tiempo de respuesta (máximo) 597.61s Respuesta incorrecta: 14 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 3.5 Trucos anti-IA : 6.9 Programación : 4.0 Combinado : 6.3 Análisis y extracción de datos : 2.9 Específico del dominio : 3.6 Inteligencia general : 3.7 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 349,177 Tokens de salida 54,279 Tokens de razonamiento 477,389 Tiempo de respuesta (promedio) 83.68s Tiempo de respuesta (total) 1840.92s Tiempo de respuesta (máximo) 515.38s Respuesta incorrecta: 5 Tiempo agotado: 3 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 3.7 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 7 Tokens de entrada 319,352 Tokens de salida 158,447 Tokens de razonamiento 875,524 Tiempo de respuesta (promedio) 84.01s Tiempo de respuesta (total) 1932.24s Tiempo de respuesta (máximo) 525.14s Respuesta incorrecta: 9 No siguió las instrucciones: 4 Llamada de herramienta no válida: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.8 Programación : 7.5 Combinado : 2.9 Análisis y extracción de datos : 6.3 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 4.4 Resolución de acertijos : 5.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 82.6% Pruebas inestables 2 Tokens de entrada 484,627 Tokens de salida 11,026 Tokens de razonamiento 747,681 Tiempo de respuesta (promedio) 84.26s Tiempo de respuesta (total) 1937.91s Tiempo de respuesta (máximo) 488.39s Sin respuesta: 3 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.1 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 9.1 Tasa de aciertos por intento 15.9% Pruebas inestables 2 Tokens de entrada 226,872 Tokens de salida 133,268 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 84.66s Tiempo de respuesta (total) 1947.17s Tiempo de respuesta (máximo) 747.17s Respuesta incorrecta: 11 Formato extra: 4 Tiempo agotado: 3 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.9 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 2.9 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.8 Tasa de aciertos por intento 72.5% Pruebas inestables 5 Tokens de entrada 269,143 Tokens de salida 6,833 Tokens de razonamiento 785,200 Tiempo de respuesta (promedio) 84.94s Tiempo de respuesta (total) 1953.70s Tiempo de respuesta (máximo) 527.47s Respuesta incorrecta: 4 Sin respuesta: 3 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 271,890 Tokens de salida 190,841 Tokens de razonamiento 513,329 Tiempo de respuesta (promedio) 85.22s Tiempo de respuesta (total) 1960.12s Tiempo de respuesta (máximo) 432.81s Sin respuesta: 4 No siguió las instrucciones: 3 Respuesta incorrecta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.6 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.9 Llamada de herramientas : 4.7 Cultura general : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.8 Tasa de aciertos por intento 69.6% Pruebas inestables 2 Tokens de entrada 324,691 Tokens de salida 181,251 Tokens de razonamiento 506,441 Tiempo de respuesta (promedio) 87.39s Tiempo de respuesta (total) 2010.08s Tiempo de respuesta (máximo) 665.85s Sin respuesta: 4 Respuesta incorrecta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.9 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 2.8 Cultura general : 3.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 82.6% Pruebas inestables 0 Tokens de entrada 376,233 Tokens de salida 6,687 Tokens de razonamiento 305,927 Tiempo de respuesta (promedio) 87.48s Tiempo de respuesta (total) 2012.15s Tiempo de respuesta (máximo) 618.49s Respuesta incorrecta: 3 Sin respuesta: 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 : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 6 Tokens de entrada 231,356 Tokens de salida 43,054 Tokens de razonamiento 370,981 Tiempo de respuesta (promedio) 88.15s Tiempo de respuesta (total) 2027.36s Tiempo de respuesta (máximo) 438.65s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 7.3 Combinado : 9.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 10.0 Tasa de aciertos por intento 23.2% Pruebas inestables 6 Tokens de entrada 232,641 Tokens de salida 69,335 Tokens de razonamiento 426,182 Tiempo de respuesta (promedio) 88.24s Tiempo de respuesta (total) 2029.57s Tiempo de respuesta (máximo) 814.73s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 2.8 Trucos anti-IA : 3.4 Programación : 3.8 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 4.3 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.6 Tasa de aciertos por intento 71.0% Pruebas inestables 3 Tokens de entrada 369,495 Tokens de salida 172,852 Tokens de razonamiento 476,002 Tiempo de respuesta (promedio) 88.74s Tiempo de respuesta (total) 2041.10s Tiempo de respuesta (máximo) 567.88s Sin respuesta: 4 Respuesta incorrecta: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 2.8 Cultura general : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 3.5 Tasa de aciertos por intento 0.0% Pruebas inestables 0 Tokens de entrada 117,966 Tokens de salida 5,149 Tokens de razonamiento 23,514 Tiempo de respuesta (promedio) 89.96s Tiempo de respuesta (total) 2069.01s Tiempo de respuesta (máximo) 156.00s Error de API: 22 Respuesta incorrecta: 1 Tareas de agentes : 3.9 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
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 287,061 Tokens de salida 32,056 Tokens de razonamiento 196,607 Tiempo de respuesta (promedio) 91.29s Tiempo de respuesta (total) 2099.56s Tiempo de respuesta (máximo) 416.76s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 5.7 Programación : 6.3 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.8 Resolución de acertijos : 6.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.4 Tasa de aciertos por intento 59.4% Pruebas inestables 3 Tokens de entrada 313,368 Tokens de salida 12,289 Tokens de razonamiento 259,270 Tiempo de respuesta (promedio) 91.67s Tiempo de respuesta (total) 1833.43s Tiempo de respuesta (máximo) 301.78s Respuesta incorrecta: 5 Tiempo agotado: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.6 Programación : 5.5 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 3.5 Tasa de aciertos por intento 0.0% Pruebas inestables 0 Tokens de entrada 118,771 Tokens de salida 4,127 Tokens de razonamiento 14,668 Tiempo de respuesta (promedio) 91.72s Tiempo de respuesta (total) 2109.54s Tiempo de respuesta (máximo) 112.76s Error de API: 22 Respuesta incorrecta: 1 Tareas de agentes : 5.0 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
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.6 Tasa de aciertos por intento 81.2% Pruebas inestables 5 Tokens de entrada 271,242 Tokens de salida 11,803 Tokens de razonamiento 397,838 Tiempo de respuesta (promedio) 92.38s Tiempo de respuesta (total) 2124.67s Tiempo de respuesta (máximo) 482.30s Error de API: 2 Respuesta incorrecta: 2 Formato extra: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 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 : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 3.5 Tasa de aciertos por intento 1.5% Pruebas inestables 1 Tokens de entrada 114,874 Tokens de salida 1,992 Tokens de razonamiento 23,529 Tiempo de respuesta (promedio) 92.50s Tiempo de respuesta (total) 2127.40s Tiempo de respuesta (máximo) 128.54s Error de API: 22 Respuesta incorrecta: 1 Tareas de agentes : 2.8 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
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 8 Tokens de entrada 274,189 Tokens de salida 66,689 Tokens de razonamiento 510,525 Tiempo de respuesta (promedio) 94.16s Tiempo de respuesta (total) 2165.72s Tiempo de respuesta (máximo) 303.26s Respuesta incorrecta: 5 Sin respuesta: 3 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.2 Programación : 6.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 6 Tokens de entrada 347,980 Tokens de salida 121,898 Tokens de razonamiento 720,302 Tiempo de respuesta (promedio) 95.16s Tiempo de respuesta (total) 2188.74s Tiempo de respuesta (máximo) 540.96s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Error de API: 2 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.3 Programación : 5.3 Combinado : 5.2 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 4.4 Resolución de acertijos : 6.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 8.3 Tasa de aciertos por intento 59.4% Pruebas inestables 6 Tokens de entrada 153,399 Tokens de salida 7,803 Tokens de razonamiento 179,098 Tiempo de respuesta (promedio) 97.34s Tiempo de respuesta (total) 2238.73s Tiempo de respuesta (máximo) 587.08s Error de API: 8 Respuesta incorrecta: 3 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 5.2 Combinado : 6.5 Análisis y extracción de datos : 6.4 Específico del dominio : 3.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 6 Tokens de entrada 249,486 Tokens de salida 14,481 Tokens de razonamiento 288,249 Tiempo de respuesta (promedio) 97.68s Tiempo de respuesta (total) 1562.81s Tiempo de respuesta (máximo) 304.85s Respuesta incorrecta: 6 Tiempo agotado: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.2 Programación : 6.6 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.9 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 287,538 Tokens de salida 118,266 Tokens de razonamiento 346,758 Tiempo de respuesta (promedio) 97.70s Tiempo de respuesta (total) 2247.18s Tiempo de respuesta (máximo) 576.79s Respuesta incorrecta: 4 Sin respuesta: 3 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 8.0 Tasa de aciertos por intento 65.2% Pruebas inestables 7 Tokens de entrada 244,499 Tokens de salida 8,744 Tokens de razonamiento 375,349 Tiempo de respuesta (promedio) 100.65s Tiempo de respuesta (total) 2314.88s Tiempo de respuesta (máximo) 626.58s Respuesta incorrecta: 6 Error de API: 4 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.9 Programación : 8.9 Combinado : 4.7 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 4.7 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