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)
#440#440	Tev1 4B Experimentaldefault	1.0	Togethercomputer	$0.002	498ms
Ver ficha del modelo Pruebas totales 7 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 13.0% Pruebas inestables 0 Tokens de entrada 33,864 Tokens de salida 96 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 498ms Tiempo de respuesta (total) 3.49s Tiempo de respuesta (máximo) 602ms Respuesta incorrecta: 4 Tareas de agentes : 0.0 Trucos anti-IA : 2.5 Programación : 0.0 Combinado : 0.0 Análisis y extracción de datos : 3.0 Específico del dominio : 6.7 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#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
#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
#165#165	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 2 Tokens de entrada 283,977 Tokens de salida 36,422 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.98s Tiempo de respuesta (total) 229.52s Tiempo de respuesta (máximo) 124.53s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 4.8 Programación : 5.8 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 6.7 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
#194#194	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 46.4% Pruebas inestables 2 Tokens de entrada 291,853 Tokens de salida 24,116 Tokens de razonamiento 8,327 Tiempo de respuesta (promedio) 7.46s Tiempo de respuesta (total) 171.47s Tiempo de respuesta (máximo) 46.61s Formato extra: 5 No siguió las instrucciones: 5 Llamada de herramienta no válida: 1 Sin respuesta: 1 Respuesta incorrecta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 3.2 Combinado : 7.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 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
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.9 Tasa de aciertos por intento 55.1% Pruebas inestables 5 Tokens de entrada 262,387 Tokens de salida 7,344 Tokens de razonamiento 338,881 Tiempo de respuesta (promedio) 115.00s Tiempo de respuesta (total) 2645.11s Tiempo de respuesta (máximo) 560.39s Respuesta incorrecta: 8 Error de API: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 10.0 Análisis y extracción de datos : 6.3 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 5 Tokens de entrada 189,300 Tokens de salida 10,854 Tokens de razonamiento 86,089 Tiempo de respuesta (promedio) 4.40s Tiempo de respuesta (total) 96.81s Tiempo de respuesta (máximo) 34.92s Respuesta incorrecta: 9 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 6.9 Programación : 8.2 Combinado : 6.7 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.6 Tasa de aciertos por intento 60.9% Pruebas inestables 8 Tokens de entrada 292,271 Tokens de salida 55,025 Tokens de razonamiento 186,071 Tiempo de respuesta (promedio) 125.76s Tiempo de respuesta (total) 2137.84s Tiempo de respuesta (máximo) 566.79s Respuesta incorrecta: 5 Tiempo agotado: 3 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.9 Trucos anti-IA : 7.3 Programación : 6.1 Combinado : 6.7 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 7 Tokens de entrada 255,887 Tokens de salida 154,879 Tokens de razonamiento 603,518 Tiempo de respuesta (promedio) 70.48s Tiempo de respuesta (total) 1620.93s Tiempo de respuesta (máximo) 480.52s Respuesta incorrecta: 9 Sin respuesta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 5.8 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 3.4 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 6 Tokens de entrada 260,850 Tokens de salida 125,908 Tokens de razonamiento 516,424 Tiempo de respuesta (promedio) 66.13s Tiempo de respuesta (total) 1520.96s Tiempo de respuesta (máximo) 417.36s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 3.6 Inteligencia general : 4.0 Seguimiento de instrucciones : 7.9 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 5 Tokens de entrada 267,840 Tokens de salida 192,115 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 32.88s Tiempo de respuesta (total) 756.28s Tiempo de respuesta (máximo) 197.32s Respuesta incorrecta: 11 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 5.2 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.6 Tasa de aciertos por intento 53.6% Pruebas inestables 5 Tokens de entrada 261,842 Tokens de salida 1,434,621 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 136.10s Tiempo de respuesta (total) 3130.27s Tiempo de respuesta (máximo) 438.09s Sin respuesta: 6 Respuesta incorrecta: 3 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 6.4 Programación : 2.8 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 3 Tokens de entrada 100,255 Tokens de salida 6,422 Tokens de razonamiento 49,847 Tiempo de respuesta (promedio) 6.03s Tiempo de respuesta (total) 138.65s Tiempo de respuesta (máximo) 17.26s Respuesta incorrecta: 6 No siguió las instrucciones: 4 Llamada de herramienta no válida: 2 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.3 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 5.8 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
#296#296	Seed 2.1 Turbonone	5.7	Bytedance Seed	$0.182	9.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 52.2% Pruebas inestables 3 Tokens de entrada 298,242 Tokens de salida 13,105 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.65s Tiempo de respuesta (total) 221.91s Tiempo de respuesta (máximo) 71.45s Respuesta incorrecta: 12 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 4.5 Combinado : 3.8 Análisis y extracción de datos : 7.1 Específico del dominio : 7.7 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.7 Tasa de aciertos por intento 58.0% Pruebas inestables 7 Tokens de entrada 261,256 Tokens de salida 1,425,268 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 138.27s Tiempo de respuesta (total) 3180.10s Tiempo de respuesta (máximo) 436.56s Sin respuesta: 7 Error de API: 2 Respuesta incorrecta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.4 Trucos anti-IA : 6.9 Programación : 2.7 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 3.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#391#391	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 10 Fiabilidad N/D Tasa de aciertos por intento 46.4% 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 Tareas de agentes : 0.0 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
#392#392	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 10 Fiabilidad N/D Tasa de aciertos por intento 50.7% Pruebas inestables 6 Tokens de entrada 28,927 Tokens de salida 4,682 Tokens de razonamiento 17,969 Tiempo de respuesta (promedio) 10.33s Tiempo de respuesta (total) 175.58s Tiempo de respuesta (máximo) 30.53s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Tiempo agotado: 2 Error de API: 1 Formato extra: 1 Tareas de agentes : 0.0 Trucos anti-IA : 7.3 Programación : 1.0 Combinado : 2.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 7.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 6.1 Llamada de herramientas : 10.0 Cultura general : 0.0
#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
#389#389	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 10 Fiabilidad N/D Tasa de aciertos por intento 39.1% Pruebas inestables 0 Tokens de entrada 32,639 Tokens de salida 1,153 Tokens de razonamiento 62,197 Tiempo de respuesta (promedio) 15.25s Tiempo de respuesta (total) 182.96s Tiempo de respuesta (máximo) 43.55s Error de API: 8 Respuesta incorrecta: 2 Tareas de agentes : 0.0 Trucos anti-IA : 8.3 Programación : 1.0 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 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
#394#394	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 43.5% Pruebas inestables 2 Tokens de entrada 44,969 Tokens de salida 58,087 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.73s Tiempo de respuesta (total) 220.93s Tiempo de respuesta (máximo) 53.14s Error de API: 4 Respuesta incorrecta: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 0.0 Trucos anti-IA : 6.5 Programación : 1.5 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 3.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#355#355	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

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