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)
#128#128	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 0 Tokens de entrada 250,495 Tokens de salida 76,261 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 17.80s Tiempo de respuesta (total) 409.51s Tiempo de respuesta (máximo) 206.03s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.3 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 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
#26#26	Gemini 3.7 Flashlow	9.4	Google	$0.183	6.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 2 Fiabilidad 10.0 Tasa de aciertos por intento 95.7% Pruebas inestables 2 Tokens de entrada 188,519 Tokens de salida 7,694 Tokens de razonamiento 30,759 Tiempo de respuesta (promedio) 6.24s Tiempo de respuesta (total) 143.56s Tiempo de respuesta (máximo) 58.75s Respuesta incorrecta: 2 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 7.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 8.2 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 10.0
#247#247	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 275,779 Tokens de salida 14,401 Tokens de razonamiento 25,511 Tiempo de respuesta (promedio) 4.79s Tiempo de respuesta (total) 110.24s Tiempo de respuesta (máximo) 53.91s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 9.0 Programación : 4.3 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 4.7
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 349,177 Tokens de salida 54,279 Tokens de razonamiento 477,389 Tiempo de respuesta (promedio) 83.68s Tiempo de respuesta (total) 1840.92s Tiempo de respuesta (máximo) 515.38s Respuesta incorrecta: 5 Tiempo agotado: 3 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 3.7 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#277#277	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
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 278,866 Tokens de salida 82,069 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.66s Tiempo de respuesta (total) 222.07s Tiempo de respuesta (máximo) 106.86s Respuesta incorrecta: 10 Formato extra: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.5 Programación : 5.6 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.4 Tasa de aciertos por intento 30.4% Pruebas inestables 8 Tokens de entrada 228,711 Tokens de salida 42,254 Tokens de razonamiento 422,121 Tiempo de respuesta (promedio) 150.90s Tiempo de respuesta (total) 2414.33s Tiempo de respuesta (máximo) 1539.97s Respuesta incorrecta: 10 Sin respuesta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tiempo agotado: 2 Tareas de agentes : 3.9 Trucos anti-IA : 4.7 Programación : 3.2 Combinado : 2.9 Análisis y extracción de datos : 6.3 Específico del dominio : 3.5 Inteligencia general : 3.6 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	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
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.9 Tasa de aciertos por intento 72.5% Pruebas inestables 6 Tokens de entrada 301,749 Tokens de salida 1,033 Tokens de razonamiento 620,023 Tiempo de respuesta (promedio) 102.66s Tiempo de respuesta (total) 2361.10s Tiempo de respuesta (máximo) 674.08s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 7.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#178#178	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 256,428 Tokens de salida 9,786 Tokens de razonamiento 575,630 Tiempo de respuesta (promedio) 54.57s Tiempo de respuesta (total) 1255.15s Tiempo de respuesta (máximo) 345.18s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Sin respuesta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 8.4 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#152#152	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 5 Tokens de entrada 235,914 Tokens de salida 8,147 Tokens de razonamiento 89,581 Tiempo de respuesta (promedio) 14.94s Tiempo de respuesta (total) 343.65s Tiempo de respuesta (máximo) 91.16s Respuesta incorrecta: 8 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.2 Programación : 8.2 Combinado : 3.0 Análisis y extracción de datos : 7.3 Específico del dominio : 3.6 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#227#227	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 247,871 Tokens de salida 10,791 Tokens de razonamiento 17,315 Tiempo de respuesta (promedio) 15.18s Tiempo de respuesta (total) 349.06s Tiempo de respuesta (máximo) 83.60s Respuesta incorrecta: 8 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.2 Trucos anti-IA : 6.9 Programación : 6.2 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#270#270	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 9.8 Tasa de aciertos por intento 44.9% Pruebas inestables 5 Tokens de entrada 299,984 Tokens de salida 69,664 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 18.49s Tiempo de respuesta (total) 425.33s Tiempo de respuesta (máximo) 206.05s Respuesta incorrecta: 12 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 3.9 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 6.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#121#121	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 291,988 Tokens de salida 8,848 Tokens de razonamiento 622,995 Tiempo de respuesta (promedio) 61.90s Tiempo de respuesta (total) 1423.67s Tiempo de respuesta (máximo) 357.28s Respuesta incorrecta: 6 Sin respuesta: 2 Formato extra: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 5.9 Programación : 7.2 Combinado : 7.1 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#189#189	Muse Glimmer 30Blow	6.9	Meta	$0.219 ↓	22.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 6 Tokens de entrada 307,228 Tokens de salida 36,044 Tokens de razonamiento 71,621 Tiempo de respuesta (promedio) 22.40s Tiempo de respuesta (total) 515.14s Tiempo de respuesta (máximo) 234.92s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 8.1 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#325#325	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 53.6% Pruebas inestables 2 Tokens de entrada 106,348 Tokens de salida 19,257 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.82s Tiempo de respuesta (total) 172.04s Tiempo de respuesta (máximo) 102.62s Respuesta incorrecta: 11 Tareas de agentes : 0.0 Trucos anti-IA : 5.2 Programación : 3.8 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#110#110	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 4 Tokens de entrada 237,088 Tokens de salida 8,235 Tokens de razonamiento 102,675 Tiempo de respuesta (promedio) 15.95s Tiempo de respuesta (total) 366.93s Tiempo de respuesta (máximo) 94.06s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 6.1 Combinado : 9.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 4.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 4.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#215#215	GLM 5.2none	6.6	Z.ai	$0.250 ↑	11.27s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 3 Tokens de entrada 247,919 Tokens de salida 17,685 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 11.27s Tiempo de respuesta (total) 259.32s Tiempo de respuesta (máximo) 79.65s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.3 Programación : 3.7 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#188#188	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 2 Tokens de entrada 251,677 Tokens de salida 11,196 Tokens de razonamiento 31,204 Tiempo de respuesta (promedio) 8.51s Tiempo de respuesta (total) 195.76s Tiempo de respuesta (máximo) 52.64s Respuesta incorrecta: 7 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 5.8 Combinado : 3.0 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 : 10.0
#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
#106#106	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 298,794 Tokens de salida 45,873 Tokens de razonamiento 188,721 Tiempo de respuesta (promedio) 55.99s Tiempo de respuesta (total) 1287.87s Tiempo de respuesta (máximo) 218.13s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 7.8 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 4 Tokens de entrada 275,349 Tokens de salida 49,377 Tokens de razonamiento 12 Tiempo de respuesta (promedio) 35.86s Tiempo de respuesta (total) 609.61s Tiempo de respuesta (máximo) 321.19s Respuesta incorrecta: 17 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.6 Programación : 5.5 Combinado : 2.8 Análisis y extracción de datos : 7.3 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 229,530 Tokens de salida 13,757 Tokens de razonamiento 92,662 Tiempo de respuesta (promedio) 48.87s Tiempo de respuesta (total) 1123.91s Tiempo de respuesta (máximo) 254.92s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 8.0 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 6.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#18#18	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 2 Fiabilidad 10.0 Tasa de aciertos por intento 94.2% Pruebas inestables 1 Tokens de entrada 202,347 Tokens de salida 6,660 Tokens de razonamiento 68,002 Tiempo de respuesta (promedio) 8.16s Tiempo de respuesta (total) 187.58s Tiempo de respuesta (máximo) 58.39s Respuesta incorrecta: 2 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.4 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 : 10.0
#138#138	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 269,497 Tokens de salida 34,935 Tokens de razonamiento 145,752 Tiempo de respuesta (promedio) 33.97s Tiempo de respuesta (total) 781.36s Tiempo de respuesta (máximo) 181.08s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 9.2 Programación : 8.4 Combinado : 6.5 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.0 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