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)
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 5 Tokens de entrada 392,127 Tokens de salida 7,754 Tokens de razonamiento 294,333 Tiempo de respuesta (promedio) 36.73s Tiempo de respuesta (total) 844.68s Tiempo de respuesta (máximo) 199.66s Respuesta incorrecta: 7 Formato extra: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 6.3 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.9 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 8 Tokens de entrada 87,916 Tokens de salida 7,213 Tokens de razonamiento 132,162 Tiempo de respuesta (promedio) 23.94s Tiempo de respuesta (total) 550.52s Tiempo de respuesta (máximo) 257.00s Respuesta incorrecta: 9 Error de API: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 7.8 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 3 Tokens de entrada 209,116 Tokens de salida 10,031 Tokens de razonamiento 16,042 Tiempo de respuesta (promedio) 11.40s Tiempo de respuesta (total) 262.14s Tiempo de respuesta (máximo) 34.77s Formato extra: 4 Respuesta incorrecta: 4 No siguió las instrucciones: 3 Error de API: 1 Tareas de agentes : 2.8 Trucos anti-IA : 6.5 Programación : 3.4 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
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 232,218 Tokens de salida 4,944 Tokens de razonamiento 142,263 Tiempo de respuesta (promedio) 9.03s Tiempo de respuesta (total) 207.67s Tiempo de respuesta (máximo) 36.04s Respuesta incorrecta: 7 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 8.8 Programación : 8.4 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 3.0 Cultura general : 3.0
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
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 321,894 Tokens de salida 139,334 Tokens de razonamiento 369,481 Tiempo de respuesta (promedio) 33.68s Tiempo de respuesta (total) 774.73s Tiempo de respuesta (máximo) 163.05s Respuesta incorrecta: 9 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.7 Programación : 5.1 Combinado : 2.9 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
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 8 Tokens de entrada 98,508 Tokens de salida 8,088 Tokens de razonamiento 131,484 Tiempo de respuesta (promedio) 24.96s Tiempo de respuesta (total) 574.12s Tiempo de respuesta (máximo) 335.41s Respuesta incorrecta: 10 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 6.1 Combinado : 4.1 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 9.9 Tasa de aciertos por intento 68.1% Pruebas inestables 9 Tokens de entrada 293,112 Tokens de salida 152,376 Tokens de razonamiento 357,890 Tiempo de respuesta (promedio) 32.68s Tiempo de respuesta (total) 751.72s Tiempo de respuesta (máximo) 115.57s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 3.4 Trucos anti-IA : 10.0 Programación : 4.3 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 5.1 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 9 Tokens de entrada 277,028 Tokens de salida 11,965 Tokens de razonamiento 31,238 Tiempo de respuesta (promedio) 9.69s Tiempo de respuesta (total) 222.83s Tiempo de respuesta (máximo) 77.99s Respuesta incorrecta: 10 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 3 Tokens de entrada 113,613 Tokens de salida 122,706 Tokens de razonamiento 42,325 Tiempo de respuesta (promedio) 65.52s Tiempo de respuesta (total) 1376.01s Tiempo de respuesta (máximo) 304.19s Respuesta incorrecta: 6 Error de API: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 5.3 Combinado : 7.3 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 4.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.9 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
#419#419	Span-02default	2.8	Respan	$0.001	1.36s
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 70,626 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.36s Tiempo de respuesta (total) 16.37s Tiempo de respuesta (máximo) 5.71s Respuesta incorrecta: 6 Tareas de agentes : 0.0 Trucos anti-IA : 5.8 Programación : 4.9 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 5.0 Resolución de acertijos : 1.0 Llamada de herramientas : 0.0 Cultura general : 0.0
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 67,092 Tokens de salida 18,927 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 698ms Tiempo de respuesta (total) 8.38s Tiempo de respuesta (máximo) 1.08s Respuesta incorrecta: 6 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 2.2 Combinado : 0.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 3.3 Llamada de herramientas : 0.0 Cultura general : 0.0
#433#433	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 1,971 Tokens de salida 50,509 Tokens de razonamiento 33,867 Tiempo de respuesta (promedio) 39.03s Tiempo de respuesta (total) 312.26s Tiempo de respuesta (máximo) 114.12s Error de API: 4 No siguió las instrucciones: 1 Respuesta incorrecta: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 1.0 Combinado : 1.5 Análisis y extracción de datos : 1.5 Específico del dominio : 3.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 5.0 Resolución de acertijos : 0.0 Llamada de herramientas : 3.0 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
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 8 Tokens de entrada 274,189 Tokens de salida 66,689 Tokens de razonamiento 510,525 Tiempo de respuesta (promedio) 94.16s Tiempo de respuesta (total) 2165.72s Tiempo de respuesta (máximo) 303.26s Respuesta incorrecta: 5 Sin respuesta: 3 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.2 Programación : 6.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 8.2 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
#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
#141#141	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 63.8% Pruebas inestables 4 Tokens de entrada 195,928 Tokens de salida 5,728 Tokens de razonamiento 19,152 Tiempo de respuesta (promedio) 23.23s Tiempo de respuesta (total) 534.22s Tiempo de respuesta (máximo) 89.37s Respuesta incorrecta: 7 Error de API: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.9 Programación : 6.0 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.4 Seguimiento de instrucciones : 7.1 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.4 Tasa de aciertos por intento 59.4% Pruebas inestables 3 Tokens de entrada 313,368 Tokens de salida 12,289 Tokens de razonamiento 259,270 Tiempo de respuesta (promedio) 91.67s Tiempo de respuesta (total) 1833.43s Tiempo de respuesta (máximo) 301.78s Respuesta incorrecta: 5 Tiempo agotado: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.6 Programación : 5.5 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.0 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 230,895 Tokens de salida 161,281 Tokens de razonamiento 510,655 Tiempo de respuesta (promedio) 263.69s Tiempo de respuesta (total) 6064.89s Tiempo de respuesta (máximo) 1727.29s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Sin respuesta: 2 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 3.3 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.0 Tasa de aciertos por intento 65.2% Pruebas inestables 5 Tokens de entrada 297,321 Tokens de salida 8,997 Tokens de razonamiento 423,853 Tiempo de respuesta (promedio) 124.87s Tiempo de respuesta (total) 2871.96s Tiempo de respuesta (máximo) 675.30s Respuesta incorrecta: 6 Error de API: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 6.2 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.6 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.8 Llamada de herramientas : 4.7 Cultura general : 3.0
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 3 Tokens de entrada 287,669 Tokens de salida 47,204 Tokens de razonamiento 375,030 Tiempo de respuesta (promedio) 144.88s Tiempo de respuesta (total) 3332.19s Tiempo de respuesta (máximo) 939.52s Respuesta incorrecta: 8 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 7.3 Análisis y extracción de datos : 6.3 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 1 Tokens de entrada 396,120 Tokens de salida 31,386 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 10.78s Tiempo de respuesta (total) 247.96s Tiempo de respuesta (máximo) 79.61s Respuesta incorrecta: 7 Formato extra: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.4 Trucos anti-IA : 5.5 Programación : 5.9 Combinado : 8.3 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
#177#177	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 8 Tokens de entrada 205,100 Tokens de salida 8,639 Tokens de razonamiento 21,409 Tiempo de respuesta (promedio) 7.37s Tiempo de respuesta (total) 169.54s Tiempo de respuesta (máximo) 74.39s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.3 Programación : 6.0 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 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

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