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)
#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
#437#437	Solar Decide Flashdefault	1.7	Upstage	$0.003	1.33s
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 47,586 Tokens de salida 51 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.33s Tiempo de respuesta (total) 9.32s Tiempo de respuesta (máximo) 1.66s Respuesta incorrecta: 4 Tareas de agentes : 0.0 Trucos anti-IA : 0.8 Programación : 0.0 Combinado : 0.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.4 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.0 Llamada de herramientas : 0.0 Cultura general : 0.0
#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
#424#424	Decider V1.2default	2.6	Perplexity	$0.001	517ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 7 Fiabilidad 9.4 Tasa de aciertos por intento 24.6% Pruebas inestables 1 Tokens de entrada 48,363 Tokens de salida 67 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 517ms Tiempo de respuesta (total) 6.20s Tiempo de respuesta (máximo) 776ms Respuesta incorrecta: 5 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 5.8 Programación : 4.5 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.9 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 40.6% Pruebas inestables 1 Tokens de entrada 190,675 Tokens de salida 5,577 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 8.74s Tiempo de respuesta (total) 131.17s Tiempo de respuesta (máximo) 74.80s Respuesta incorrecta: 13 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 4.0 Combinado : 1.5 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
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 40.6% Pruebas inestables 1 Tokens de entrada 361,183 Tokens de salida 26,609 Tokens de razonamiento 11,139 Tiempo de respuesta (promedio) 8.03s Tiempo de respuesta (total) 184.80s Tiempo de respuesta (máximo) 51.18s Formato extra: 8 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Sin respuesta: 1 Respuesta incorrecta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 3.4 Combinado : 8.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#228#228	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 5 Tokens de entrada 258,956 Tokens de salida 20,076 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 11.10s Tiempo de respuesta (total) 255.39s Tiempo de respuesta (máximo) 107.19s Respuesta incorrecta: 12 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 4.0 Programación : 3.9 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 46.4% Pruebas inestables 3 Tokens de entrada 352,516 Tokens de salida 33,786 Tokens de razonamiento 504,506 Tiempo de respuesta (promedio) 48.97s Tiempo de respuesta (total) 1126.35s Tiempo de respuesta (máximo) 422.72s Respuesta incorrecta: 10 Llamada de herramienta no válida: 2 Sin respuesta: 2 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 8 Tokens de entrada 363,310 Tokens de salida 381,919 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 60.03s Tiempo de respuesta (total) 1380.67s Tiempo de respuesta (máximo) 459.99s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 6.4 Programación : 6.6 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 5.6 Resolución de acertijos : 7.9 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

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