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: 2026-10-03 Modelos evaluados: 391

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

391/391

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#191#191	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
#190#190	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
#189#189	GLM 5.2none	6.6	Z.ai	$0.173 ↓	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	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 2 Tokens de entrada 205,108 Tokens de salida 6,197 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.75s Tiempo de respuesta (total) 109.31s Tiempo de respuesta (máximo) 57.53s Respuesta incorrecta: 11 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#187#187	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 4 Tokens de entrada 255,173 Tokens de salida 9,891 Tokens de razonamiento 17,277 Tiempo de respuesta (promedio) 11.82s Tiempo de respuesta (total) 271.92s Tiempo de respuesta (máximo) 90.45s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#186#186	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 9 Tokens de entrada 365,069 Tokens de salida 133,336 Tokens de razonamiento 344,133 Tiempo de respuesta (promedio) 31.25s Tiempo de respuesta (total) 718.67s Tiempo de respuesta (máximo) 114.61s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.5 Combinado : 4.2 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 8.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#185#185	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 3 Tokens de entrada 207,852 Tokens de salida 5,555 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.61s Tiempo de respuesta (total) 105.93s Tiempo de respuesta (máximo) 58.28s Respuesta incorrecta: 10 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#184#184	GPT 5.3 Chatnone	6.7	OpenAI	$0.533	6.31s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 4 Tokens de entrada 78,846 Tokens de salida 28,179 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.31s Tiempo de respuesta (total) 138.73s Tiempo de respuesta (máximo) 18.33s Respuesta incorrecta: 6 Error de API: 2 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 6.7 Programación : 5.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.6 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#183#183	Ember-1max	6.7	Fireworks	$3.264	97.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 8.3 Tasa de aciertos por intento 59.4% Pruebas inestables 6 Tokens de entrada 153,399 Tokens de salida 7,803 Tokens de razonamiento 179,098 Tiempo de respuesta (promedio) 97.34s Tiempo de respuesta (total) 2238.73s Tiempo de respuesta (máximo) 587.08s Error de API: 8 Respuesta incorrecta: 3 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 5.2 Combinado : 6.5 Análisis y extracción de datos : 6.4 Específico del dominio : 3.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#182#182	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 9.7 Tasa de aciertos por intento 59.4% Pruebas inestables 5 Tokens de entrada 166,517 Tokens de salida 107,386 Tokens de razonamiento 217,548 Tiempo de respuesta (promedio) 77.03s Tiempo de respuesta (total) 1694.74s Tiempo de respuesta (máximo) 431.03s Respuesta incorrecta: 5 Tiempo agotado: 3 No siguió las instrucciones: 2 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 3.0 Trucos anti-IA : 5.5 Programación : 6.1 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.2 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#181#181	Grok 4.7high	6.7	X AI	$3.037	122.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 9.6 Tasa de aciertos por intento 72.5% Pruebas inestables 7 Tokens de entrada 329,276 Tokens de salida 8,172 Tokens de razonamiento 479,012 Tiempo de respuesta (promedio) 122.19s Tiempo de respuesta (total) 2810.40s Tiempo de respuesta (máximo) 573.57s Sin respuesta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Respuesta incorrecta: 2 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 6.0 Combinado : 8.6 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#180#180	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 7 Tokens de entrada 384,974 Tokens de salida 13,946 Tokens de razonamiento 371,916 Tiempo de respuesta (promedio) 145.21s Tiempo de respuesta (total) 3339.87s Tiempo de respuesta (máximo) 640.89s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#179#179	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 37.7% Pruebas inestables 2 Tokens de entrada 463,872 Tokens de salida 219,122 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 26.52s Tiempo de respuesta (total) 609.94s Tiempo de respuesta (máximo) 480.96s Respuesta incorrecta: 14 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.5 Programación : 5.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#178#178	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 1 Tokens de entrada 358,616 Tokens de salida 9,651 Tokens de razonamiento 520,155 Tiempo de respuesta (promedio) 55.13s Tiempo de respuesta (total) 1268.10s Tiempo de respuesta (máximo) 252.69s Respuesta incorrecta: 6 Formato extra: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 3.4 Trucos anti-IA : 8.3 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#177#177	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.7 Tasa de aciertos por intento 73.9% Pruebas inestables 6 Tokens de entrada 310,049 Tokens de salida 6,094 Tokens de razonamiento 566,221 Tiempo de respuesta (promedio) 123.96s Tiempo de respuesta (total) 2851.07s Tiempo de respuesta (máximo) 775.64s Sin respuesta: 4 Respuesta incorrecta: 3 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 5.3 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#176#176	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
#175#175	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 5 Tokens de entrada 315,136 Tokens de salida 219,014 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 36.24s Tiempo de respuesta (total) 833.43s Tiempo de respuesta (máximo) 320.00s Respuesta incorrecta: 10 No siguió las instrucciones: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.4 Programación : 5.7 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 5.3 Seguimiento de instrucciones : 5.9 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#174#174	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 4 Tokens de entrada 235,086 Tokens de salida 7,989 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.02s Tiempo de respuesta (total) 207.45s Tiempo de respuesta (máximo) 57.02s Respuesta incorrecta: 10 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 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 : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#173#173	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 1 Tokens de entrada 397,291 Tokens de salida 6,355 Tokens de razonamiento 143,752 Tiempo de respuesta (promedio) 6.66s Tiempo de respuesta (total) 153.29s Tiempo de respuesta (máximo) 74.63s Respuesta incorrecta: 4 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#172#172	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 4 Tokens de entrada 213,901 Tokens de salida 9,623 Tokens de razonamiento 12,414 Tiempo de respuesta (promedio) 6.81s Tiempo de respuesta (total) 156.70s Tiempo de respuesta (máximo) 44.24s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 5.1 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.4 Llamada de herramientas : 3.0 Cultura general : 3.0
#171#171	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
#170#170	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 4 Tokens de entrada 226,880 Tokens de salida 65,346 Tokens de razonamiento 331,325 Tiempo de respuesta (promedio) 121.25s Tiempo de respuesta (total) 2667.55s Tiempo de respuesta (máximo) 876.20s Respuesta incorrecta: 4 Tiempo agotado: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 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
#169#169	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 2 Tokens de entrada 345,059 Tokens de salida 24,343 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.54s Tiempo de respuesta (total) 173.31s Tiempo de respuesta (máximo) 65.07s Respuesta incorrecta: 5 Formato extra: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 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
#168#168	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
#167#167	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 5 Tokens de entrada 202,680 Tokens de salida 9,230 Tokens de razonamiento 18,771 Tiempo de respuesta (promedio) 6.96s Tiempo de respuesta (total) 160.19s Tiempo de respuesta (máximo) 45.74s Respuesta incorrecta: 10 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.6 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