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)
#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
#298#298	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 42.0% Pruebas inestables 1 Tokens de entrada 270,970 Tokens de salida 15,499 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.28s Tiempo de respuesta (total) 152.84s Tiempo de respuesta (máximo) 44.73s Respuesta incorrecta: 11 Error de API: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.9 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 6.5 Llamada de herramientas : 3.0 Cultura general : 3.0
#311#311	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 42.0% Pruebas inestables 1 Tokens de entrada 280,126 Tokens de salida 17,306 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 10.55s Tiempo de respuesta (total) 242.57s Tiempo de respuesta (máximo) 75.76s Respuesta incorrecta: 10 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 3.7 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 6.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
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 285,293 Tokens de salida 29,565 Tokens de razonamiento 89,266 Tiempo de respuesta (promedio) 31.58s Tiempo de respuesta (total) 536.78s Tiempo de respuesta (máximo) 203.90s Respuesta incorrecta: 10 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.7 Programación : 5.9 Combinado : 6.5 Análisis y extracción de datos : 6.4 Específico del dominio : 2.9 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.3 Llamada de herramientas : 9.8 Cultura general : 3.0
#272#272	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 8.9 Tasa de aciertos por intento 37.7% Pruebas inestables 1 Tokens de entrada 259,708 Tokens de salida 16,567 Tokens de razonamiento 33,580 Tiempo de respuesta (promedio) 50.47s Tiempo de respuesta (total) 1160.91s Tiempo de respuesta (máximo) 557.96s Respuesta incorrecta: 9 Tiempo agotado: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.4 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 3.8 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 3 Tokens de entrada 410,787 Tokens de salida 117,742 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.70s Tiempo de respuesta (total) 338.13s Tiempo de respuesta (máximo) 186.24s Respuesta incorrecta: 14 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 3.0 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#357#357	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 3 Tokens de entrada 255,363 Tokens de salida 27,395 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 13.04s Tiempo de respuesta (total) 221.61s Tiempo de respuesta (máximo) 97.15s Respuesta incorrecta: 15 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.2 Programación : 4.3 Combinado : 3.0 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 6.4 Llamada de herramientas : 2.8 Cultura general : 3.0
#388#388	Mercury 2.5none	4.1	Inception	$0.026	5.10s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 21 Fiabilidad 10.0 Tasa de aciertos por intento 24.6% Pruebas inestables 7 Tokens de entrada 311,488 Tokens de salida 89,958 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 5.10s Tiempo de respuesta (total) 117.24s Tiempo de respuesta (máximo) 63.41s Respuesta incorrecta: 15 No siguió las instrucciones: 4 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.8 Programación : 3.7 Combinado : 3.0 Análisis y extracción de datos : 2.8 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 4.9 Resolución de acertijos : 3.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
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 7,608 Tokens de salida 17,529 Tokens de razonamiento 34,499 Tiempo de respuesta (promedio) 48.94s Tiempo de respuesta (total) 831.92s Tiempo de respuesta (máximo) 143.82s Error de API: 7 Respuesta incorrecta: 5 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 9.2 Programación : 5.3 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#310#310	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
#411#411	MiMo-V2-Flashdefault	3.3	Xiaomi	$0.025 ↑	2.76s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 17 Fiabilidad 6.7 Tasa de aciertos por intento 23.2% Pruebas inestables 4 Tokens de entrada 36,851 Tokens de salida 68,882 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.76s Tiempo de respuesta (total) 46.99s Tiempo de respuesta (máximo) 19.68s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Error de API: 1 Formato extra: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.2 Programación : 4.3 Combinado : 1.5 Análisis y extracción de datos : 2.9 Específico del dominio : 5.3 Inteligencia general : 4.6 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#344#344	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 21.7% Pruebas inestables 0 Tokens de entrada 145,180 Tokens de salida 3,627 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.16s Tiempo de respuesta (total) 70.70s Tiempo de respuesta (máximo) 39.99s Respuesta incorrecta: 16 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 3.2 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#358#358	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
#301#301	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 31.9% Pruebas inestables 1 Tokens de entrada 305,664 Tokens de salida 13,249 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 8.14s Tiempo de respuesta (total) 187.23s Tiempo de respuesta (máximo) 69.17s Respuesta incorrecta: 14 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#376#376	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 1 Tokens de entrada 40,852 Tokens de salida 3,314 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.44s Tiempo de respuesta (total) 48.81s Tiempo de respuesta (máximo) 6.81s Respuesta incorrecta: 10 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.6 Programación : 4.4 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.8 Tasa de aciertos por intento 60.9% Pruebas inestables 4 Tokens de entrada 132,044 Tokens de salida 92,135 Tokens de razonamiento 207,321 Tiempo de respuesta (promedio) 13.08s Tiempo de respuesta (total) 287.79s Tiempo de respuesta (máximo) 75.27s Respuesta incorrecta: 7 Error de API: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 2.9 Análisis y extracción de datos : 7.3 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#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
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.8 Tasa de aciertos por intento 37.7% Pruebas inestables 5 Tokens de entrada 326,083 Tokens de salida 7,224 Tokens de razonamiento 33,078 Tiempo de respuesta (promedio) 3.34s Tiempo de respuesta (total) 76.80s Tiempo de respuesta (máximo) 47.06s Respuesta incorrecta: 14 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 4.4 Seguimiento de instrucciones : 2.9 Resolución de acertijos : 5.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#326#326	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 3 Tokens de entrada 270,072 Tokens de salida 23,173 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.56s Tiempo de respuesta (total) 104.80s Tiempo de respuesta (máximo) 70.79s Respuesta incorrecta: 14 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tiempo agotado: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.3 Programación : 4.3 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 3.8 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 37.7% Pruebas inestables 1 Tokens de entrada 39,886 Tokens de salida 1,890 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.00s Tiempo de respuesta (total) 138.04s Tiempo de respuesta (máximo) 118.00s Respuesta incorrecta: 13 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 3.0 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#377#377	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.5 Tasa de aciertos por intento 27.5% Pruebas inestables 3 Tokens de entrada 146,361 Tokens de salida 9,073 Tokens de razonamiento 1 Tiempo de respuesta (promedio) 7.11s Tiempo de respuesta (total) 163.46s Tiempo de respuesta (máximo) 30.51s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Tareas de agentes : 2.8 Trucos anti-IA : 4.8 Programación : 3.3 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.6 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.5 Llamada de herramientas : 4.7 Cultura general : 3.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Ver ficha del modelo Pruebas totales 20 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 3 Tokens de entrada 131,652 Tokens de salida 16,869 Tokens de razonamiento 53,081 Tiempo de respuesta (promedio) 28.63s Tiempo de respuesta (total) 486.69s Tiempo de respuesta (máximo) 140.90s Respuesta incorrecta: 9 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.5 Programación : 1.5 Combinado : 1.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#351#351	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 17.4% Pruebas inestables 0 Tokens de entrada 106,423 Tokens de salida 11,555 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 8.16s Tiempo de respuesta (total) 163.24s Tiempo de respuesta (máximo) 25.72s Respuesta incorrecta: 12 Error de API: 4 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 3.4 Programación : 3.8 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 3.1 Llamada de herramientas : 3.0 Cultura general : 3.0
#442#442	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
Ver ficha del modelo Pruebas totales 1 Pruebas incorrectas 0 Fiabilidad 10.0 Tasa de aciertos por intento 4.4% Pruebas inestables 0 Tokens de entrada 73 Tokens de salida 6 Tokens de razonamiento 729 Tiempo de respuesta (promedio) 13.58s Tiempo de respuesta (total) 13.58s Tiempo de respuesta (máximo) 13.58s Tareas de agentes : 0.0 Trucos anti-IA : 0.0 Programación : 0.0 Combinado : 0.0 Análisis y extracción de datos : 0.0 Específico del dominio : 3.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 0.0 Resolución de acertijos : 0.0 Llamada de herramientas : 0.0 Cultura general : 0.0
#341#341	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

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