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)
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 3 Tokens de entrada 287,669 Tokens de salida 47,204 Tokens de razonamiento 375,030 Tiempo de respuesta (promedio) 144.88s Tiempo de respuesta (total) 3332.19s Tiempo de respuesta (máximo) 939.52s Respuesta incorrecta: 8 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 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
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 7 Tokens de entrada 384,974 Tokens de salida 13,946 Tokens de razonamiento 371,916 Tiempo de respuesta (promedio) 145.21s Tiempo de respuesta (total) 3339.87s Tiempo de respuesta (máximo) 640.89s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.5 Tasa de aciertos por intento 78.3% Pruebas inestables 7 Tokens de entrada 298,476 Tokens de salida 7,762 Tokens de razonamiento 515,918 Tiempo de respuesta (promedio) 148.11s Tiempo de respuesta (total) 3406.53s Tiempo de respuesta (máximo) 904.91s Formato extra: 3 Respuesta incorrecta: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.3 Programación : 8.2 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 8.4 Llamada de herramientas : 10.0 Cultura general : 2.8
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.4 Tasa de aciertos por intento 30.4% Pruebas inestables 8 Tokens de entrada 228,711 Tokens de salida 42,254 Tokens de razonamiento 422,121 Tiempo de respuesta (promedio) 150.90s Tiempo de respuesta (total) 2414.33s Tiempo de respuesta (máximo) 1539.97s Respuesta incorrecta: 10 Sin respuesta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tiempo agotado: 2 Tareas de agentes : 3.9 Trucos anti-IA : 4.7 Programación : 3.2 Combinado : 2.9 Análisis y extracción de datos : 6.3 Específico del dominio : 3.5 Inteligencia general : 3.6 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 4 Tokens de entrada 275,080 Tokens de salida 32,447 Tokens de razonamiento 372,188 Tiempo de respuesta (promedio) 151.67s Tiempo de respuesta (total) 3488.43s Tiempo de respuesta (máximo) 941.66s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Sin respuesta: 2 Tiempo agotado: 2 Tareas de agentes : 10.0 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
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 9.4 Tasa de aciertos por intento 76.8% Pruebas inestables 1 Tokens de entrada 270,889 Tokens de salida 10,688 Tokens de razonamiento 328,857 Tiempo de respuesta (promedio) 151.96s Tiempo de respuesta (total) 3495.01s Tiempo de respuesta (máximo) 960.01s Tiempo agotado: 2 Respuesta incorrecta: 2 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.5 Tasa de aciertos por intento 52.2% Pruebas inestables 4 Tokens de entrada 243,381 Tokens de salida 1,581,325 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 154.41s Tiempo de respuesta (total) 3551.40s Tiempo de respuesta (máximo) 455.72s Sin respuesta: 7 Respuesta incorrecta: 3 Error de API: 2 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 2.9 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.4 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 5.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 81.2% Pruebas inestables 2 Tokens de entrada 241,855 Tokens de salida 8,387 Tokens de razonamiento 600,946 Tiempo de respuesta (promedio) 161.25s Tiempo de respuesta (total) 3708.70s Tiempo de respuesta (máximo) 739.98s Respuesta incorrecta: 3 Sin respuesta: 2 Tareas de agentes : 10.0 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
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 9.7 Tasa de aciertos por intento 78.3% Pruebas inestables 2 Tokens de entrada 348,967 Tokens de salida 1,005 Tokens de razonamiento 676,075 Tiempo de respuesta (promedio) 166.34s Tiempo de respuesta (total) 3825.81s Tiempo de respuesta (máximo) 640.85s No siguió las instrucciones: 2 Sin respuesta: 2 Respuesta incorrecta: 2 Tareas de agentes : 10.0 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
#42#42	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
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 246,954 Tokens de salida 8,378 Tokens de razonamiento 698,942 Tiempo de respuesta (promedio) 170.52s Tiempo de respuesta (total) 3922.04s Tiempo de respuesta (máximo) 584.71s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 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
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 9.8 Tasa de aciertos por intento 87.0% Pruebas inestables 3 Tokens de entrada 328,637 Tokens de salida 8,619 Tokens de razonamiento 432,733 Tiempo de respuesta (promedio) 186.06s Tiempo de respuesta (total) 4279.49s Tiempo de respuesta (máximo) 912.78s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#68#68	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 79.7% Pruebas inestables 5 Tokens de entrada 234,572 Tokens de salida 8,019 Tokens de razonamiento 761,563 Tiempo de respuesta (promedio) 189.13s Tiempo de respuesta (total) 4349.92s Tiempo de respuesta (máximo) 885.33s Respuesta incorrecta: 5 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 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
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 3 Tokens de entrada 139,086 Tokens de salida 193,584 Tokens de razonamiento 413,546 Tiempo de respuesta (promedio) 190.48s Tiempo de respuesta (total) 3238.23s Tiempo de respuesta (máximo) 1597.85s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 2.8 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
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 6.5 Tasa de aciertos por intento 21.7% Pruebas inestables 4 Tokens de entrada 162,180 Tokens de salida 5,030 Tokens de razonamiento 682,447 Tiempo de respuesta (promedio) 207.21s Tiempo de respuesta (total) 4765.91s Tiempo de respuesta (máximo) 597.45s Respuesta incorrecta: 13 Error de API: 5 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 4.7 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
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 8.2 Tasa de aciertos por intento 37.7% Pruebas inestables 10 Tokens de entrada 282,658 Tokens de salida 198,563 Tokens de razonamiento 462,804 Tiempo de respuesta (promedio) 235.35s Tiempo de respuesta (total) 5413.09s Tiempo de respuesta (máximo) 685.87s Tiempo agotado: 10 Respuesta incorrecta: 7 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 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
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.0 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 230,895 Tokens de salida 161,281 Tokens de razonamiento 510,655 Tiempo de respuesta (promedio) 263.69s Tiempo de respuesta (total) 6064.89s Tiempo de respuesta (máximo) 1727.29s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Sin respuesta: 2 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 3.3 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 22 Fiabilidad 7.3 Tasa de aciertos por intento 26.1% Pruebas inestables 11 Tokens de entrada 98,467 Tokens de salida 3,385 Tokens de razonamiento 104,595 Tiempo de respuesta (promedio) 371.69s Tiempo de respuesta (total) 8548.88s Tiempo de respuesta (máximo) 971.85s Respuesta incorrecta: 9 Tiempo agotado: 6 Error de API: 4 No siguió las instrucciones: 3 Tareas de agentes : 3.0 Trucos anti-IA : 3.8 Programación : 4.2 Combinado : 3.0 Análisis y extracción de datos : 2.9 Específico del dominio : 3.6 Inteligencia general : 3.2 Seguimiento de instrucciones : 4.3 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0

←

1 17 18

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