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: 2026-10-03 Modelos evaluados: 391

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

391/391

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#341#341	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.5 Tasa de aciertos por intento 27.5% Pruebas inestables 3 Tokens de entrada 146,361 Tokens de salida 9,074 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.11s Tiempo de respuesta (total) 163.46s Tiempo de respuesta (máximo) 30.51s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Tareas de agentes : 2.8 Trucos anti-IA : 4.8 Programación : 3.3 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.6 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.5 Llamada de herramientas : 4.7 Cultura general : 3.0
#340#340	Mimo V2 Omninone	4.5	Xiaomi	$0.021 ↓	2.44s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 1 Tokens de entrada 40,852 Tokens de salida 3,314 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.44s Tiempo de respuesta (total) 48.81s Tiempo de respuesta (máximo) 6.81s Respuesta incorrecta: 10 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.6 Programación : 4.4 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#339#339	Ring 2.6 1tnone	4.5	Inclusionai	$0.026 ↑	48.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 43.5% Pruebas inestables 2 Tokens de entrada 7,608 Tokens de salida 40,277 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 48.94s Tiempo de respuesta (total) 831.92s Tiempo de respuesta (máximo) 143.82s Error de API: 7 Respuesta incorrecta: 5 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 9.2 Programación : 5.3 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#338#338	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 2 Tokens de entrada 21,045 Tokens de salida 63,460 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 24.56s Tiempo de respuesta (total) 368.35s Tiempo de respuesta (máximo) 78.74s Error de API: 7 Respuesta incorrecta: 4 Tareas de agentes : 0.0 Trucos anti-IA : 8.3 Programación : 5.3 Combinado : 5.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.9 Inteligencia general : 3.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.3 Llamada de herramientas : 2.8 Cultura general : 3.0
#337#337	Ling 2.6 Flashnone	4.5	Inclusionai	$0.002 ↑	10.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.6 Tasa de aciertos por intento 29.0% Pruebas inestables 2 Tokens de entrada 114,384 Tokens de salida 14,903 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 10.21s Tiempo de respuesta (total) 214.31s Tiempo de respuesta (máximo) 36.03s Respuesta incorrecta: 9 Error de API: 3 Llamada de herramienta no válida: 3 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 6.8 Programación : 5.3 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 4.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 2.9 Llamada de herramientas : 3.0 Cultura general : 3.0
#336#336	Owl Alphanone	4.6	Openrouter	$0.000	9.88s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 33.3% Pruebas inestables 1 Tokens de entrada 42,283 Tokens de salida 5,913 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.88s Tiempo de respuesta (total) 207.38s Tiempo de respuesta (máximo) 47.10s Respuesta incorrecta: 10 No siguió las instrucciones: 3 Formato extra: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.4 Programación : 5.6 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#335#335	Mimo V2 PROnone	4.6	Xiaomi	$0.045 ↓	2.27s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 37.7% Pruebas inestables 3 Tokens de entrada 39,344 Tokens de salida 2,352 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.27s Tiempo de respuesta (total) 45.50s Tiempo de respuesta (máximo) 6.58s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Error de API: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.5 Programación : 5.5 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#334#334	Owl Alphamedium	4.6	Openrouter	$0.000	11.95s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 1 Tokens de entrada 43,478 Tokens de salida 2,974 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 11.95s Tiempo de respuesta (total) 250.88s Tiempo de respuesta (máximo) 58.63s Respuesta incorrecta: 10 No siguió las instrucciones: 2 Error de API: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.8 Programación : 5.4 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#333#333	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.123 ↕	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
#332#332	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
#331#331	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 0 Tokens de entrada 37,100 Tokens de salida 1,766 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.99s Tiempo de respuesta (total) 62.74s Tiempo de respuesta (máximo) 6.51s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Tareas de agentes : 0.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.6 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#330#330	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 4 Tokens de entrada 29,134 Tokens de salida 1,984 Tokens de razonamiento 1,355,583 Tiempo de respuesta (promedio) 61.96s Tiempo de respuesta (total) 1115.31s Tiempo de respuesta (máximo) 149.23s Respuesta incorrecta: 4 No siguió las instrucciones: 3 Sin respuesta: 1 Tareas de agentes : 0.0 Trucos anti-IA : 8.7 Programación : 3.3 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 5.7 Llamada de herramientas : 10.0 Cultura general : 0.0
#329#329	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 4 Tokens de entrada 246,687 Tokens de salida 14,894 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.42s Tiempo de respuesta (total) 101.75s Tiempo de respuesta (máximo) 45.38s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.5 Programación : 4.6 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 2.9 Inteligencia general : 3.8 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#328#328	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 5 Tokens de entrada 342,158 Tokens de salida 57,866 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 22.44s Tiempo de respuesta (total) 516.03s Tiempo de respuesta (máximo) 122.50s Respuesta incorrecta: 9 Error de API: 3 Formato extra: 2 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.0 Trucos anti-IA : 3.2 Programación : 3.1 Combinado : 4.8 Análisis y extracción de datos : 6.3 Específico del dominio : 3.0 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#327#327	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 10.0 Tasa de aciertos por intento 24.6% Pruebas inestables 4 Tokens de entrada 311,647 Tokens de salida 40,395 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 16.97s Tiempo de respuesta (total) 305.55s Tiempo de respuesta (máximo) 151.35s Respuesta incorrecta: 15 No siguió las instrucciones: 3 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.5 Programación : 3.7 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 6.3 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#326#326	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
#325#325	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 21 Fiabilidad 10.0 Tasa de aciertos por intento 14.5% Pruebas inestables 3 Tokens de entrada 287,445 Tokens de salida 99,097 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 17.65s Tiempo de respuesta (total) 406.05s Tiempo de respuesta (máximo) 200.52s Respuesta incorrecta: 18 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 5.4 Trucos anti-IA : 3.1 Programación : 3.4 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 4.3 Resolución de acertijos : 3.1 Llamada de herramientas : 4.7 Cultura general : 3.0
#324#324	North Mini Codenone	4.7	Cohere	$0.000	29.47s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 8.9 Tasa de aciertos por intento 17.4% Pruebas inestables 0 Tokens de entrada 177,989 Tokens de salida 26,954 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 29.47s Tiempo de respuesta (total) 677.70s Tiempo de respuesta (máximo) 159.85s Respuesta incorrecta: 13 Formato extra: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.0 Trucos anti-IA : 3.0 Programación : 3.9 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.9 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.5 Llamada de herramientas : 9.5 Cultura general : 3.0
#323#323	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.137 ↕	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
#322#322	Mercury 2.5 Previewnone	4.7	Inception	$0.023 ↑	7.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.9 Tasa de aciertos por intento 29.0% Pruebas inestables 5 Tokens de entrada 250,541 Tokens de salida 86,367 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.05s Tiempo de respuesta (total) 162.25s Tiempo de respuesta (máximo) 84.96s Respuesta incorrecta: 16 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.8 Programación : 4.7 Combinado : 3.0 Análisis y extracción de datos : 6.3 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#321#321	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 3 Tokens de entrada 255,363 Tokens de salida 27,395 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 13.04s Tiempo de respuesta (total) 221.61s Tiempo de respuesta (máximo) 97.15s Respuesta incorrecta: 15 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.2 Programación : 4.3 Combinado : 3.0 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 6.4 Llamada de herramientas : 2.8 Cultura general : 3.0
#320#320	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 2 Tokens de entrada 25,987 Tokens de salida 216,719 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 56.57s Tiempo de respuesta (total) 848.59s Tiempo de respuesta (máximo) 149.94s Error de API: 7 Respuesta incorrecta: 3 Tareas de agentes : 0.0 Trucos anti-IA : 6.4 Programación : 5.3 Combinado : 5.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 3.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#319#319	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 3 Tokens de entrada 37,007 Tokens de salida 1,952 Tokens de razonamiento 357,306 Tiempo de respuesta (promedio) 41.16s Tiempo de respuesta (total) 823.26s Tiempo de respuesta (máximo) 299.23s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Sin respuesta: 2 Error de API: 1 Formato extra: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 3.3 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.4 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#318#318	Hy4 previewnone	4.9	Tencent	$0.179 ↑	40.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 6.2 Tasa de aciertos por intento 15.9% Pruebas inestables 1 Tokens de entrada 185,167 Tokens de salida 9,430 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 40.38s Tiempo de respuesta (total) 928.76s Tiempo de respuesta (máximo) 95.32s Respuesta incorrecta: 14 Error de API: 2 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.3 Programación : 3.8 Combinado : 3.0 Análisis y extracción de datos : 8.7 Específico del dominio : 6.8 Inteligencia general : 5.1 Seguimiento de instrucciones : 7.0 Resolución de acertijos : 4.6 Llamada de herramientas : 3.0 Cultura general : 3.0
#317#317	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.8 Tasa de aciertos por intento 18.8% Pruebas inestables 1 Tokens de entrada 307,670 Tokens de salida 70,427 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 37.19s Tiempo de respuesta (total) 855.27s Tiempo de respuesta (máximo) 433.02s Respuesta incorrecta: 15 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.9 Trucos anti-IA : 3.1 Programación : 3.9 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.2 Llamada de herramientas : 10.0 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