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: 2026-10-19 Modelos evaluados: 451

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

451/451

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#55#55	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.9 Tasa de aciertos por intento 75.4% Pruebas inestables 5 Tokens de entrada 277,967 Tokens de salida 9,240 Tokens de razonamiento 383,606 Tiempo de respuesta (promedio) 28.15s Tiempo de respuesta (total) 647.40s Tiempo de respuesta (máximo) 192.00s Respuesta incorrecta: 4 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.1 Programación : 10.0 Combinado : 8.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#82#82	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.9 Tasa de aciertos por intento 82.6% Pruebas inestables 6 Tokens de entrada 296,001 Tokens de salida 8,105 Tokens de razonamiento 600,178 Tiempo de respuesta (promedio) 49.88s Tiempo de respuesta (total) 1147.24s Tiempo de respuesta (máximo) 310.51s Respuesta incorrecta: 3 No siguió las instrucciones: 2 Sin respuesta: 2 Error de API: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 6.5 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#85#85	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.9 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 287,538 Tokens de salida 118,266 Tokens de razonamiento 346,758 Tiempo de respuesta (promedio) 97.70s Tiempo de respuesta (total) 2247.18s Tiempo de respuesta (máximo) 576.79s Respuesta incorrecta: 4 Sin respuesta: 3 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#113#113	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 9.9 Tasa de aciertos por intento 89.9% Pruebas inestables 3 Tokens de entrada 187,331 Tokens de salida 7,555 Tokens de razonamiento 159,931 Tiempo de respuesta (promedio) 16.64s Tiempo de respuesta (total) 382.64s Tiempo de respuesta (máximo) 108.60s Respuesta incorrecta: 2 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 2.8 Trucos anti-IA : 10.0 Programación : 8.0 Combinado : 8.7 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
#120#120	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.9 Tasa de aciertos por intento 69.6% Pruebas inestables 0 Tokens de entrada 243,553 Tokens de salida 20,670 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.85s Tiempo de respuesta (total) 180.65s Tiempo de respuesta (máximo) 80.34s Respuesta incorrecta: 7 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 6.5 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 : 3.0
#171#171	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.9 Tasa de aciertos por intento 81.2% Pruebas inestables 5 Tokens de entrada 215,836 Tokens de salida 9,452 Tokens de razonamiento 33,289 Tiempo de respuesta (promedio) 7.54s Tiempo de respuesta (total) 173.36s Tiempo de respuesta (máximo) 67.18s Respuesta incorrecta: 6 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.8 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 10.0
#179#179	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
#207#207	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
#222#222	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
#230#230	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 298,512 Tokens de salida 3,178 Tokens de razonamiento 177,419 Tiempo de respuesta (promedio) 7.61s Tiempo de respuesta (total) 175.08s Tiempo de respuesta (máximo) 86.84s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#241#241	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 60.9% Pruebas inestables 5 Tokens de entrada 299,558 Tokens de salida 33,248 Tokens de razonamiento 374,819 Tiempo de respuesta (promedio) 133.93s Tiempo de respuesta (total) 3080.36s Tiempo de respuesta (máximo) 519.91s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#282#282	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
#290#290	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 9.9 Tasa de aciertos por intento 47.8% Pruebas inestables 4 Tokens de entrada 202,069 Tokens de salida 11,961 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.58s Tiempo de respuesta (total) 82.24s Tiempo de respuesta (máximo) 43.82s Respuesta incorrecta: 12 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.5 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 : 6.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#319#319	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.9 Tasa de aciertos por intento 40.6% Pruebas inestables 5 Tokens de entrada 222,357 Tokens de salida 6,855 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 20.48s Tiempo de respuesta (total) 470.96s Tiempo de respuesta (máximo) 98.62s Respuesta incorrecta: 13 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#334#334	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
#350#350	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.9 Tasa de aciertos por intento 44.9% Pruebas inestables 8 Tokens de entrada 235,438 Tokens de salida 8,136 Tokens de razonamiento 28,734 Tiempo de respuesta (promedio) 4.92s Tiempo de respuesta (total) 113.24s Tiempo de respuesta (máximo) 84.47s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Error de API: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.6 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.3 Específico del dominio : 4.1 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 8.2 Llamada de herramientas : 2.8 Cultura general : 3.0
#354#354	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.9 Tasa de aciertos por intento 42.0% Pruebas inestables 6 Tokens de entrada 61,094 Tokens de salida 6,532 Tokens de razonamiento 53,882 Tiempo de respuesta (promedio) 10.21s Tiempo de respuesta (total) 234.86s Tiempo de respuesta (máximo) 86.23s Respuesta incorrecta: 7 Formato extra: 4 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 7.3 Programación : 3.5 Combinado : 6.4 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#367#367	Mercury 2.5 Previewdefault	4.7	Inception	$0.023 ↑	7.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.9 Tasa de aciertos por intento 29.0% Pruebas inestables 5 Tokens de entrada 250,541 Tokens de salida 86,367 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.05s Tiempo de respuesta (total) 162.25s Tiempo de respuesta (máximo) 84.96s Respuesta incorrecta: 16 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.8 Programación : 4.7 Combinado : 3.0 Análisis y extracción de datos : 6.3 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#37#37	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 9.8 Tasa de aciertos por intento 87.0% Pruebas inestables 3 Tokens de entrada 328,637 Tokens de salida 8,619 Tokens de razonamiento 432,733 Tiempo de respuesta (promedio) 186.06s Tiempo de respuesta (total) 4279.49s Tiempo de respuesta (máximo) 912.78s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#62#62	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.8 Tasa de aciertos por intento 78.3% Pruebas inestables 5 Tokens de entrada 256,646 Tokens de salida 10,490 Tokens de razonamiento 210,325 Tiempo de respuesta (promedio) 77.44s Tiempo de respuesta (total) 1781.16s Tiempo de respuesta (máximo) 643.19s Respuesta incorrecta: 3 No siguió las instrucciones: 2 Formato extra: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.9 Programación : 8.2 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 8.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#86#86	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 3 Fiabilidad 9.8 Tasa de aciertos por intento 89.9% Pruebas inestables 1 Tokens de entrada 176,208 Tokens de salida 6,093 Tokens de razonamiento 96,598 Tiempo de respuesta (promedio) 22.71s Tiempo de respuesta (total) 386.11s Tiempo de respuesta (máximo) 88.68s Respuesta incorrecta: 2 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 7.9 Combinado : 9.8 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
#99#99	Gemini 4 Argonlow	8.2	Google	$0.438	5.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.8 Tasa de aciertos por intento 79.7% Pruebas inestables 6 Tokens de entrada 188,162 Tokens de salida 6,097 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 5.72s Tiempo de respuesta (total) 131.67s Tiempo de respuesta (máximo) 60.87s Respuesta incorrecta: 5 Error de API: 2 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 10.0 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.7 Llamada de herramientas : 4.7 Cultura general : 3.0
#111#111	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.8 Tasa de aciertos por intento 68.1% Pruebas inestables 3 Tokens de entrada 482,754 Tokens de salida 62,455 Tokens de razonamiento 141,067 Tiempo de respuesta (promedio) 40.33s Tiempo de respuesta (total) 927.65s Tiempo de respuesta (máximo) 392.56s Respuesta incorrecta: 7 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.4 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 3.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#125#125	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.8 Tasa de aciertos por intento 69.6% Pruebas inestables 2 Tokens de entrada 324,691 Tokens de salida 181,251 Tokens de razonamiento 506,441 Tiempo de respuesta (promedio) 87.39s Tiempo de respuesta (total) 2010.08s Tiempo de respuesta (máximo) 665.85s Sin respuesta: 4 Respuesta incorrecta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.9 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 2.8 Cultura general : 3.0
#137#137	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.8 Tasa de aciertos por intento 72.5% Pruebas inestables 5 Tokens de entrada 269,143 Tokens de salida 6,833 Tokens de razonamiento 785,200 Tiempo de respuesta (promedio) 84.94s Tiempo de respuesta (total) 1953.70s Tiempo de respuesta (máximo) 527.47s Respuesta incorrecta: 4 Sin respuesta: 3 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.9 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