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)
#74#74	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 76.8% Pruebas inestables 3 Tokens de entrada 296,301 Tokens de salida 10,672 Tokens de razonamiento 50,978 Tiempo de respuesta (promedio) 7.51s Tiempo de respuesta (total) 172.74s Tiempo de respuesta (máximo) 44.43s Respuesta incorrecta: 3 No siguió las instrucciones: 2 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 7.9 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 4.6 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 7 Tokens de entrada 293,775 Tokens de salida 13,527 Tokens de razonamiento 396,291 Tiempo de respuesta (promedio) 45.48s Tiempo de respuesta (total) 1045.97s Tiempo de respuesta (máximo) 431.47s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 7 Tokens de entrada 298,334 Tokens de salida 10,328 Tokens de razonamiento 55,846 Tiempo de respuesta (promedio) 7.71s Tiempo de respuesta (total) 177.29s Tiempo de respuesta (máximo) 47.70s Respuesta incorrecta: 5 Formato extra: 2 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 6.3 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 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
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 3 Tokens de entrada 212,780 Tokens de salida 6,849 Tokens de razonamiento 41,137 Tiempo de respuesta (promedio) 9.64s Tiempo de respuesta (total) 221.62s Tiempo de respuesta (máximo) 58.09s Respuesta incorrecta: 9 Llamada de herramienta no válida: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.3 Programación : 5.4 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 24.6% Pruebas inestables 1 Tokens de entrada 250,329 Tokens de salida 45,168 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 19.73s Tiempo de respuesta (total) 355.09s Tiempo de respuesta (máximo) 208.38s Respuesta incorrecta: 15 Formato extra: 1 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.6 Programación : 4.6 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 58.0% Pruebas inestables 2 Tokens de entrada 150,033 Tokens de salida 22,347 Tokens de razonamiento 402,143 Tiempo de respuesta (promedio) 142.76s Tiempo de respuesta (total) 3283.43s Tiempo de respuesta (máximo) 491.42s Respuesta incorrecta: 5 No siguió las instrucciones: 3 Sin respuesta: 2 Formato extra: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.3 Programación : 5.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 8.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#365#365	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
#393#393	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 6 Tokens de entrada 42,845 Tokens de salida 2,006 Tokens de razonamiento 96,334 Tiempo de respuesta (promedio) 23.85s Tiempo de respuesta (total) 286.16s Tiempo de respuesta (máximo) 121.79s No siguió las instrucciones: 4 Respuesta incorrecta: 4 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 8.7 Programación : 0.8 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.8 Inteligencia general : 4.2 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 2.8 Cultura general : 3.0
#282#282	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 9.9 Tasa de aciertos por intento 47.8% Pruebas inestables 4 Tokens de entrada 202,069 Tokens de salida 11,961 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.58s Tiempo de respuesta (total) 82.24s Tiempo de respuesta (máximo) 43.82s Respuesta incorrecta: 12 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.5 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#378#378	KAT Coder AIR V2.5default	4.4	Kwaipilot	$0.070	11.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 7 Tokens de entrada 69,376 Tokens de salida 7,792 Tokens de razonamiento 89,960 Tiempo de respuesta (promedio) 11.96s Tiempo de respuesta (total) 275.18s Tiempo de respuesta (máximo) 121.05s Respuesta incorrecta: 13 Formato extra: 3 Error de API: 2 Tareas de agentes : 3.0 Trucos anti-IA : 5.3 Programación : 3.3 Combinado : 3.8 Análisis y extracción de datos : 6.3 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#363#363	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
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 6 Tokens de entrada 318,058 Tokens de salida 16,035 Tokens de razonamiento 315,072 Tiempo de respuesta (promedio) 41.03s Tiempo de respuesta (total) 943.75s Tiempo de respuesta (máximo) 394.54s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Error de API: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.0 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 2 Tokens de entrada 277,164 Tokens de salida 1,913 Tokens de razonamiento 168,783 Tiempo de respuesta (promedio) 40.09s Tiempo de respuesta (total) 881.89s Tiempo de respuesta (máximo) 214.63s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.3 Llamada de herramientas : 3.0 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
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 73.9% Pruebas inestables 4 Tokens de entrada 229,986 Tokens de salida 6,037 Tokens de razonamiento 95,550 Tiempo de respuesta (promedio) 20.37s Tiempo de respuesta (total) 468.52s Tiempo de respuesta (máximo) 106.93s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#216#216	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 8 Tokens de entrada 300,394 Tokens de salida 14,081 Tokens de razonamiento 500,844 Tiempo de respuesta (promedio) 51.80s Tiempo de respuesta (total) 1191.42s Tiempo de respuesta (máximo) 593.64s Respuesta incorrecta: 8 No siguió las instrucciones: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 10.0 Programación : 6.2 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 5.8 Resolución de acertijos : 7.1 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
#250#250	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 6 Tokens de entrada 209,002 Tokens de salida 24,675 Tokens de razonamiento 377,528 Tiempo de respuesta (promedio) 128.91s Tiempo de respuesta (total) 2965.04s Tiempo de respuesta (máximo) 491.07s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 2.8 Trucos anti-IA : 8.7 Programación : 5.7 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.5 Seguimiento de instrucciones : 7.9 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 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
#280#280	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 3 Tokens de entrada 238,785 Tokens de salida 12,875 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.95s Tiempo de respuesta (total) 90.76s Tiempo de respuesta (máximo) 50.03s Respuesta incorrecta: 9 No siguió las instrucciones: 3 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#306#306	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 9.5 Tasa de aciertos por intento 42.0% Pruebas inestables 4 Tokens de entrada 229,346 Tokens de salida 18,597 Tokens de razonamiento 129,338 Tiempo de respuesta (promedio) 56.40s Tiempo de respuesta (total) 1184.46s Tiempo de respuesta (máximo) 431.98s Respuesta incorrecta: 6 Error de API: 4 No siguió las instrucciones: 3 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.3 Programación : 3.1 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.1 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#155#155	DeepSeek V4 Pro 0423none	7.4	DeepSeek	$0.083 ↓	14.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 4 Tokens de entrada 304,186 Tokens de salida 40,118 Tokens de razonamiento 5,886 Tiempo de respuesta (promedio) 14.05s Tiempo de respuesta (total) 323.17s Tiempo de respuesta (máximo) 119.44s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.2 Programación : 5.6 Combinado : 7.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 46.4% Pruebas inestables 3 Tokens de entrada 352,516 Tokens de salida 33,786 Tokens de razonamiento 504,506 Tiempo de respuesta (promedio) 48.97s Tiempo de respuesta (total) 1126.35s Tiempo de respuesta (máximo) 422.72s Respuesta incorrecta: 10 Llamada de herramienta no válida: 2 Sin respuesta: 2 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#402#402	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 12 Fiabilidad N/D Tasa de aciertos por intento 29.0% Pruebas inestables 1 Tokens de entrada 40,597 Tokens de salida 1,657 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.19s Tiempo de respuesta (total) 21.43s Tiempo de respuesta (máximo) 6.48s Respuesta incorrecta: 10 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 1.8 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 0.0

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