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)
#313#313	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.0 Tasa de aciertos por intento 37.7% Pruebas inestables 6 Tokens de entrada 319,668 Tokens de salida 32,069 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 17.51s Tiempo de respuesta (total) 402.66s Tiempo de respuesta (máximo) 132.84s Respuesta incorrecta: 12 Formato extra: 2 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 3.0 Programación : 3.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#318#318	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 30.4% Pruebas inestables 2 Tokens de entrada 276,697 Tokens de salida 75,728 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.20s Tiempo de respuesta (total) 142.63s Tiempo de respuesta (máximo) 62.57s Respuesta incorrecta: 15 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 3.7 Combinado : 3.7 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#322#322	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 3 Tokens de entrada 230,744 Tokens de salida 8,000 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.78s Tiempo de respuesta (total) 86.83s Tiempo de respuesta (máximo) 53.77s Respuesta incorrecta: 15 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 3.8 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 7.1 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#329#329	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 123,993 Tokens de salida 12,777 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.40s Tiempo de respuesta (total) 74.77s Tiempo de respuesta (máximo) 17.51s Respuesta incorrecta: 13 Error de API: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 4.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.8 Tasa de aciertos por intento 37.7% Pruebas inestables 5 Tokens de entrada 326,083 Tokens de salida 7,224 Tokens de razonamiento 33,078 Tiempo de respuesta (promedio) 3.34s Tiempo de respuesta (total) 76.80s Tiempo de respuesta (máximo) 47.06s Respuesta incorrecta: 14 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 4.4 Seguimiento de instrucciones : 2.9 Resolución de acertijos : 5.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#341#341	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.9 Tasa de aciertos por intento 44.9% Pruebas inestables 8 Tokens de entrada 235,438 Tokens de salida 8,136 Tokens de razonamiento 28,734 Tiempo de respuesta (promedio) 4.92s Tiempo de respuesta (total) 113.24s Tiempo de respuesta (máximo) 84.47s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Error de API: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.6 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.3 Específico del dominio : 4.1 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 8.2 Llamada de herramientas : 2.8 Cultura general : 3.0
#364#364	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 32,853 Tokens de razonamiento 25,013 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
#373#373	Ling 2.6 Flashdefault	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
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 21.7% Pruebas inestables 0 Tokens de entrada 33,675 Tokens de salida 2,826 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 806ms Tiempo de respuesta (total) 12.09s Tiempo de respuesta (máximo) 2.01s Respuesta incorrecta: 8 Error de API: 4 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.0 Programación : 0.8 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 3.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#387#387	GLM 5 Turbonone	4.2	Z.ai	$0.047 ↑	2.82s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 2 Tokens de entrada 32,525 Tokens de salida 1,815 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.82s Tiempo de respuesta (total) 59.29s Tiempo de respuesta (máximo) 8.21s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Tareas de agentes : 0.0 Trucos anti-IA : 3.0 Programación : 3.9 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.2 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 15 Fiabilidad N/D Tasa de aciertos por intento 27.5% Pruebas inestables 1 Tokens de entrada 33,744 Tokens de salida 2,596 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.27s Tiempo de respuesta (total) 22.82s Tiempo de respuesta (máximo) 3.70s Respuesta incorrecta: 9 Error de API: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 0.0 Trucos anti-IA : 6.6 Programación : 3.7 Combinado : 1.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#439#439	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
Ver ficha del modelo Pruebas totales 7 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 14.5% Pruebas inestables 3 Tokens de entrada 47,586 Tokens de salida 51 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.01s Tiempo de respuesta (total) 42.05s Tiempo de respuesta (máximo) 13.10s Respuesta incorrecta: 5 Tareas de agentes : 0.0 Trucos anti-IA : 0.8 Programación : 0.0 Combinado : 0.0 Análisis y extracción de datos : 3.7 Específico del dominio : 4.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 5.0 Resolución de acertijos : 1.0 Llamada de herramientas : 0.0 Cultura general : 0.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Ver ficha del modelo Pruebas totales 20 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 3 Tokens de entrada 131,652 Tokens de salida 16,869 Tokens de razonamiento 53,081 Tiempo de respuesta (promedio) 28.63s Tiempo de respuesta (total) 486.69s Tiempo de respuesta (máximo) 140.90s Respuesta incorrecta: 9 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.5 Programación : 1.5 Combinado : 1.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 2 Tokens de entrada 405,921 Tokens de salida 97,112 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.79s Tiempo de respuesta (total) 340.25s Tiempo de respuesta (máximo) 212.63s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 4.8 Programación : 3.7 Combinado : 5.2 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 31.9% Pruebas inestables 1 Tokens de entrada 236,599 Tokens de salida 11,561 Tokens de razonamiento 4,975 Tiempo de respuesta (promedio) 5.30s Tiempo de respuesta (total) 121.91s Tiempo de respuesta (máximo) 48.02s Respuesta incorrecta: 13 Formato extra: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 4.8 Programación : 4.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.6 Llamada de herramientas : 3.0 Cultura general : 3.0
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 33.3% Pruebas inestables 1 Tokens de entrada 388,929 Tokens de salida 57,714 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.63s Tiempo de respuesta (total) 175.42s Tiempo de respuesta (máximo) 93.47s Respuesta incorrecta: 13 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.1 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#284#284	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 40.6% Pruebas inestables 5 Tokens de entrada 393,560 Tokens de salida 30,466 Tokens de razonamiento 311 Tiempo de respuesta (promedio) 8.60s Tiempo de respuesta (total) 197.73s Tiempo de respuesta (máximo) 64.73s Respuesta incorrecta: 9 Formato extra: 4 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 4.7 Trucos anti-IA : 5.3 Programación : 4.6 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.7 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 3 Tokens de entrada 410,787 Tokens de salida 117,742 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.70s Tiempo de respuesta (total) 338.13s Tiempo de respuesta (máximo) 186.24s Respuesta incorrecta: 14 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 3.0 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.7 Tasa de aciertos por intento 36.2% Pruebas inestables 3 Tokens de entrada 337,756 Tokens de salida 292,779 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 16.63s Tiempo de respuesta (total) 382.53s Tiempo de respuesta (máximo) 247.66s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 3.7 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 7.7 Inteligencia general : 5.5 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 33.3% Pruebas inestables 2 Tokens de entrada 219,404 Tokens de salida 9,372 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.89s Tiempo de respuesta (total) 89.48s Tiempo de respuesta (máximo) 43.73s Respuesta incorrecta: 15 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.2 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#301#301	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 31.9% Pruebas inestables 1 Tokens de entrada 305,664 Tokens de salida 13,249 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 8.14s Tiempo de respuesta (total) 187.23s Tiempo de respuesta (máximo) 69.17s Respuesta incorrecta: 14 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#310#310	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.9 Tasa de aciertos por intento 40.6% Pruebas inestables 5 Tokens de entrada 222,357 Tokens de salida 6,855 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 20.48s Tiempo de respuesta (total) 470.96s Tiempo de respuesta (máximo) 98.62s Respuesta incorrecta: 13 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#323#323	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.2 Tasa de aciertos por intento 33.3% Pruebas inestables 1 Tokens de entrada 332,917 Tokens de salida 18,989 Tokens de razonamiento 42,362 Tiempo de respuesta (promedio) 58.20s Tiempo de respuesta (total) 1338.65s Tiempo de respuesta (máximo) 566.80s Respuesta incorrecta: 11 Tiempo agotado: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#331#331	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.8 Tasa de aciertos por intento 40.6% Pruebas inestables 5 Tokens de entrada 50,423 Tokens de salida 4,144 Tokens de razonamiento 110,510 Tiempo de respuesta (promedio) 15.23s Tiempo de respuesta (total) 350.26s Tiempo de respuesta (máximo) 118.35s Respuesta incorrecta: 9 Error de API: 4 Formato extra: 3 Tareas de agentes : 3.0 Trucos anti-IA : 6.9 Programación : 4.3 Combinado : 6.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#345#345	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.9 Tasa de aciertos por intento 42.0% Pruebas inestables 6 Tokens de entrada 61,094 Tokens de salida 6,532 Tokens de razonamiento 53,882 Tiempo de respuesta (promedio) 10.21s Tiempo de respuesta (total) 234.86s Tiempo de respuesta (máximo) 86.23s Respuesta incorrecta: 7 Formato extra: 4 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 7.3 Programación : 3.5 Combinado : 6.4 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.1 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