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: 2026-07-18 Modelos evaluados: 206

206/206

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#19#19	Qwen3.6 Max Previewmedium	8.4	Qwen	$1.143 ↓	67.53s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 9.9 Tasa de aciertos por intento 80.3% Pruebas inestables 3 Tokens de entrada 79,240 Tokens de salida 5,098 Tokens de razonamiento 164,842 Tiempo de respuesta (promedio) 67.53s Tiempo de respuesta (total) 1485.64s Tiempo de respuesta (máximo) 238.07s Respuesta incorrecta: 5 Tiempo agotado: 1 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#65#65	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.91s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 63.6% Pruebas inestables 2 Tokens de entrada 149,206 Tokens de salida 16,797 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.91s Tiempo de respuesta (total) 108.03s Tiempo de respuesta (máximo) 35.03s Respuesta incorrecta: 4 Formato extra: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 9.8 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#85#85	Step 3.7 Flashhigh	6.9	Stepfun	$1.207	64.68s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.6% Pruebas inestables 5 Tokens de entrada 98,691 Tokens de salida 1,032,395 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 64.68s Tiempo de respuesta (total) 1423.01s Tiempo de respuesta (máximo) 364.99s Respuesta incorrecta: 6 Sin respuesta: 4 Llamada de herramienta no válida: 1 Trucos anti-IA : 10.0 Programación : 4.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 5.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#67#67	Kimi K2.6medium	7.2	Moonshot AI	$1.222 ↑	109.98s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 10 Fiabilidad 9.4 Tasa de aciertos por intento 63.6% Pruebas inestables 4 Tokens de entrada 68,902 Tokens de salida 111,680 Tokens de razonamiento 279,860 Tiempo de respuesta (promedio) 109.98s Tiempo de respuesta (total) 2309.56s Tiempo de respuesta (máximo) 876.20s Tiempo agotado: 3 Respuesta incorrecta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Trucos anti-IA : 7.0 Programación : 5.7 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#5#5	GPT-5.6 Solhigh	9.4	OpenAI	$1.234	11.73s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 89.4% Pruebas inestables 3 Tokens de entrada 79,249 Tokens de salida 4,855 Tokens de razonamiento 23,044 Tiempo de respuesta (promedio) 11.73s Tiempo de respuesta (total) 257.99s Tiempo de respuesta (máximo) 54.79s Respuesta incorrecta: 4 Trucos anti-IA : 8.7 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 : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 4.7
#6#6	GPT-5.5low	9.3	OpenAI	$1.253	10.13s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 3 Fiabilidad 10.0 Tasa de aciertos por intento 86.4% Pruebas inestables 0 Tokens de entrada 80,058 Tokens de salida 5,378 Tokens de razonamiento 23,040 Tiempo de respuesta (promedio) 10.13s Tiempo de respuesta (total) 222.82s Tiempo de respuesta (máximo) 56.19s Respuesta incorrecta: 3 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 : 9.9 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#4#4	GPT-5.6 Solmedium	9.4	OpenAI	$1.316	11.35s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 90.9% Pruebas inestables 3 Tokens de entrada 78,997 Tokens de salida 4,696 Tokens de razonamiento 26,002 Tiempo de respuesta (promedio) 11.35s Tiempo de respuesta (total) 249.73s Tiempo de respuesta (máximo) 79.40s Respuesta incorrecta: 4 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 4.7
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 72.7% Pruebas inestables 2 Tokens de entrada 142,567 Tokens de salida 7,905 Tokens de razonamiento 269,225 Tiempo de respuesta (promedio) 24.97s Tiempo de respuesta (total) 549.31s Tiempo de respuesta (máximo) 165.38s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 7.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 2 Fiabilidad 10.0 Tasa de aciertos por intento 90.9% Pruebas inestables 0 Tokens de entrada 92,287 Tokens de salida 5,232 Tokens de razonamiento 92,726 Tiempo de respuesta (promedio) 21.47s Tiempo de respuesta (total) 322.08s Tiempo de respuesta (máximo) 88.68s Respuesta incorrecta: 2 Trucos anti-IA : 10.0 Programación : 7.9 Combinado : 9.8 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 10.0
#15#15	Claude Opus 4.7medium	8.7	Anthropic	$1.477	7.61s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 83.3% Pruebas inestables 1 Tokens de entrada 145,252 Tokens de salida 24,948 Tokens de razonamiento 5,042 Tiempo de respuesta (promedio) 7.61s Tiempo de respuesta (total) 159.91s Tiempo de respuesta (máximo) 65.40s Respuesta incorrecta: 3 Tiempo agotado: 1 Trucos anti-IA : 8.3 Programación : 7.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 77.3% Pruebas inestables 4 Tokens de entrada 81,127 Tokens de salida 6,155 Tokens de razonamiento 82,515 Tiempo de respuesta (promedio) 23.10s Tiempo de respuesta (total) 508.26s Tiempo de respuesta (máximo) 100.41s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Trucos anti-IA : 8.3 Programación : 8.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#58#58	Qwen3.5-27Bmedium	7.4	Qwen	$1.627 ↑	111.94s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 72.7% Pruebas inestables 5 Tokens de entrada 111,635 Tokens de salida 15,999 Tokens de razonamiento 598,430 Tiempo de respuesta (promedio) 111.94s Tiempo de respuesta (total) 2462.67s Tiempo de respuesta (máximo) 1026.43s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Trucos anti-IA : 8.7 Programación : 6.2 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#27#27	Muse Spark 1.1high	8.1	Meta	$1.694	31.49s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 69.7% Pruebas inestables 6 Tokens de entrada 129,423 Tokens de salida 8,077 Tokens de razonamiento 352,421 Tiempo de respuesta (promedio) 31.49s Tiempo de respuesta (total) 661.28s Tiempo de respuesta (máximo) 196.03s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Error de API: 1 Sin respuesta: 1 Trucos anti-IA : 7.5 Programación : 10.0 Combinado : 5.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 7.8 Llamada de herramientas : 9.6 Cultura general : 3.0
#12#12	Grok 4.5high	8.9	X AI	$1.707	76.50s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 83.3% Pruebas inestables 2 Tokens de entrada 151,562 Tokens de salida 5,655 Tokens de razonamiento 247,540 Tiempo de respuesta (promedio) 76.50s Tiempo de respuesta (total) 1683.07s Tiempo de respuesta (máximo) 676.83s Sin respuesta: 2 Respuesta incorrecta: 2 No siguió las instrucciones: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#22#22	Grok 4.5medium	8.3	X AI	$1.928	61.71s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 78.8% Pruebas inestables 3 Tokens de entrada 122,146 Tokens de salida 5,514 Tokens de razonamiento 275,053 Tiempo de respuesta (promedio) 61.71s Tiempo de respuesta (total) 1357.56s Tiempo de respuesta (máximo) 436.38s Respuesta incorrecta: 6 Trucos anti-IA : 10.0 Programación : 7.6 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
#14#14	Claude Opus 4.8medium	8.8	Anthropic	$1.931	12.49s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 84.9% Pruebas inestables 1 Tokens de entrada 138,451 Tokens de salida 40,766 Tokens de razonamiento 9,075 Tiempo de respuesta (promedio) 12.49s Tiempo de respuesta (total) 274.72s Tiempo de respuesta (máximo) 70.54s Respuesta incorrecta: 3 Sin respuesta: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 9.9 Análisis y extracción de datos : 7.1 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.5	Google	$1.976	15.07s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 2 Fiabilidad 10.0 Tasa de aciertos por intento 93.9% Pruebas inestables 2 Tokens de entrada 107,137 Tokens de salida 8,777 Tokens de razonamiento 192,900 Tiempo de respuesta (promedio) 15.07s Tiempo de respuesta (total) 331.48s Tiempo de respuesta (máximo) 145.92s Llamada de herramienta no válida: 1 Respuesta incorrecta: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.2 Análisis y extracción de datos : 10.0 Específico del dominio : 7.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 9.8 Cultura general : 10.0
#139#139	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 56.1% 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 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
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 2 Tokens de entrada 106,292 Tokens de salida 80,748 Tokens de razonamiento 35,117 Tiempo de respuesta (promedio) 25.91s Tiempo de respuesta (total) 362.78s Tiempo de respuesta (máximo) 140.96s Respuesta incorrecta: 4 Formato extra: 3 Tiempo agotado: 1 Trucos anti-IA : 6.5 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#41#41	Claude Opus 4.8low	7.8	Anthropic	$2.077	12.74s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 80.3% Pruebas inestables 3 Tokens de entrada 156,525 Tokens de salida 43,141 Tokens de razonamiento 8,617 Tiempo de respuesta (promedio) 12.74s Tiempo de respuesta (total) 280.29s Tiempo de respuesta (máximo) 127.97s Respuesta incorrecta: 4 Formato extra: 1 Sin respuesta: 1 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 9.9 Análisis y extracción de datos : 6.3 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
#159#159	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Ver ficha del modelo Pruebas totales 16 Pruebas incorrectas 3 Fiabilidad N/D Tasa de aciertos por intento 59.1% Pruebas inestables 0 Tokens de entrada 28,980 Tokens de salida 1,283 Tokens de razonamiento 1,533,310 Tiempo de respuesta (promedio) 68.14s Tiempo de respuesta (total) 1090.28s Tiempo de respuesta (máximo) 280.52s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Trucos anti-IA : 7.5 Programación : 0.0 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 0.0
#43#43	Claude Opus 4.6medium	7.7	Anthropic	$3.059	34.27s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 63.6% Pruebas inestables 3 Tokens de entrada 108,615 Tokens de salida 72,286 Tokens de razonamiento 28,315 Tiempo de respuesta (promedio) 34.27s Tiempo de respuesta (total) 513.99s Tiempo de respuesta (máximo) 151.51s Formato extra: 5 Respuesta incorrecta: 3 No siguió las instrucciones: 1 Trucos anti-IA : 6.4 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#33#33	Kimi K3max	8.0	Moonshot AI	$3.112	122.48s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 9.1 Tasa de aciertos por intento 75.8% Pruebas inestables 1 Tokens de entrada 34,916 Tokens de salida 2,910 Tokens de razonamiento 197,529 Tiempo de respuesta (promedio) 122.48s Tiempo de respuesta (total) 2327.06s Tiempo de respuesta (máximo) 766.58s Error de API: 2 Tiempo agotado: 2 Formato extra: 1 Sin respuesta: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.5 Análisis y extracción de datos : 7.3 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#17#17	Claude Fable 5medium	8.6	Anthropic	$3.478	17.20s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 78.8% Pruebas inestables 1 Tokens de entrada 89,643 Tokens de salida 41,360 Tokens de razonamiento 10,269 Tiempo de respuesta (promedio) 17.20s Tiempo de respuesta (total) 378.41s Tiempo de respuesta (máximo) 80.80s Sin respuesta: 2 Respuesta incorrecta: 2 Llamada de herramienta no válida: 1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#10#10	GPT-5.5medium	9.0	OpenAI	$4.137	38.42s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 87.9% Pruebas inestables 3 Tokens de entrada 80,659 Tokens de salida 5,617 Tokens de razonamiento 118,819 Tiempo de respuesta (promedio) 38.42s Tiempo de respuesta (total) 845.35s Tiempo de respuesta (máximo) 332.10s Respuesta incorrecta: 4 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 2.8
#177#177	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 10 Fiabilidad N/D Tasa de aciertos por intento 48.5% Pruebas inestables 5 Tokens de entrada 721,952 Tokens de salida 294,668 Tokens de razonamiento 305,374 Tiempo de respuesta (promedio) 9.69s Tiempo de respuesta (total) 155.07s Tiempo de respuesta (máximo) 35.28s Respuesta incorrecta: 4 Error de API: 2 Formato extra: 2 No siguió las instrucciones: 2 Trucos anti-IA : 6.9 Programación : 3.3 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.7 Llamada de herramientas : 3.0 Cultura general : 0.0

←

1 2 3 4 5 6 7

Comparación rápida

Leaderboard de AI Benchy

Filtrar modelos

Comparación rápida