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)
#163#163	Grok 4.7medium	7.3	X AI	$2.938	117.65s
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 326,066 Tokens de salida 5,726 Tokens de razonamiento 469,019 Tiempo de respuesta (promedio) 117.65s Tiempo de respuesta (total) 2706.03s Tiempo de respuesta (máximo) 660.89s Respuesta incorrecta: 5 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.4 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#231#231	Mercury 2.5high	6.5	Inception	$0.044	7.62s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.8 Tasa de aciertos por intento 59.4% Pruebas inestables 4 Tokens de entrada 358,562 Tokens de salida 4,266 Tokens de razonamiento 189,410 Tiempo de respuesta (promedio) 7.62s Tiempo de respuesta (total) 175.36s Tiempo de respuesta (máximo) 80.30s Respuesta incorrecta: 9 Error de API: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 6.4 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#278#278	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 9.8 Tasa de aciertos por intento 44.9% Pruebas inestables 5 Tokens de entrada 299,984 Tokens de salida 69,664 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 18.49s Tiempo de respuesta (total) 425.33s Tiempo de respuesta (máximo) 206.05s Respuesta incorrecta: 12 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 3.9 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 6.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#299#299	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
#317#317	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.8 Tasa de aciertos por intento 33.3% Pruebas inestables 5 Tokens de entrada 286,758 Tokens de salida 85,777 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 15.75s Tiempo de respuesta (total) 362.23s Tiempo de respuesta (máximo) 90.95s Respuesta incorrecta: 9 No siguió las instrucciones: 5 Sin respuesta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 3.6 Programación : 4.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 7.7 Llamada de herramientas : 4.7 Cultura general : 3.0
#340#340	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.8 Tasa de aciertos por intento 40.6% Pruebas inestables 5 Tokens de entrada 50,423 Tokens de salida 4,144 Tokens de razonamiento 110,510 Tiempo de respuesta (promedio) 15.23s Tiempo de respuesta (total) 350.26s Tiempo de respuesta (máximo) 118.35s Respuesta incorrecta: 9 Error de API: 4 Formato extra: 3 Tareas de agentes : 3.0 Trucos anti-IA : 6.9 Programación : 4.3 Combinado : 6.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#345#345	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
#362#362	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.8 Tasa de aciertos por intento 18.8% Pruebas inestables 1 Tokens de entrada 307,670 Tokens de salida 70,427 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 37.19s Tiempo de respuesta (total) 855.27s Tiempo de respuesta (máximo) 433.02s Respuesta incorrecta: 15 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.9 Trucos anti-IA : 3.1 Programación : 3.9 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#368#368	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.8 Tasa de aciertos por intento 47.8% Pruebas inestables 12 Tokens de entrada 195,780 Tokens de salida 167,746 Tokens de razonamiento 598,384 Tiempo de respuesta (promedio) 81.93s Tiempo de respuesta (total) 1884.31s Tiempo de respuesta (máximo) 437.11s Respuesta incorrecta: 13 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 2.8 Trucos anti-IA : 6.9 Programación : 4.4 Combinado : 6.2 Análisis y extracción de datos : 3.7 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 4.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#404#404	Ling 3.0 Tinydefault	3.8	Inclusionai	$0.000	13.39s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 21 Fiabilidad 9.8 Tasa de aciertos por intento 8.7% Pruebas inestables 0 Tokens de entrada 184,579 Tokens de salida 110,071 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 13.39s Tiempo de respuesta (total) 294.48s Tiempo de respuesta (máximo) 240.61s Respuesta incorrecta: 13 No siguió las instrucciones: 4 Error de API: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 4.8 Programación : 4.2 Combinado : 3.0 Análisis y extracción de datos : 6.3 Específico del dominio : 3.0 Inteligencia general : 3.4 Seguimiento de instrucciones : 3.1 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#406#406	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	15.92s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 9.8 Tasa de aciertos por intento 15.9% Pruebas inestables 2 Tokens de entrada 97,418 Tokens de salida 4,779 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 15.92s Tiempo de respuesta (total) 366.20s Tiempo de respuesta (máximo) 339.57s Respuesta incorrecta: 16 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tiempo agotado: 1 Tareas de agentes : 3.0 Trucos anti-IA : 4.8 Programación : 3.1 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 2.8 Cultura general : 3.0
#412#412	Laguna M.1default	3.6	Poolside	$0.009 ↕	2.89s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 15 Fiabilidad 9.8 Tasa de aciertos por intento 26.1% Pruebas inestables 3 Tokens de entrada 38,147 Tokens de salida 2,054 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.89s Tiempo de respuesta (total) 43.28s Tiempo de respuesta (máximo) 15.42s Respuesta incorrecta: 10 Error de API: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.4 Programación : 2.5 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 3.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#4#4	GPT-6.1 Solmax	9.9	OpenAI	$1.006	61.98s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 1 Fiabilidad 9.7 Tasa de aciertos por intento 95.7% Pruebas inestables 0 Tokens de entrada 183,607 Tokens de salida 5,741 Tokens de razonamiento 58,082 Tiempo de respuesta (promedio) 61.98s Tiempo de respuesta (total) 1425.65s Tiempo de respuesta (máximo) 960.01s Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 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
#41#41	Muse Wonderlow	9.1	Meta	$2.637	16.00s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 9.7 Tasa de aciertos por intento 76.8% Pruebas inestables 1 Tokens de entrada 244,997 Tokens de salida 11,148 Tokens de razonamiento 71,699 Tiempo de respuesta (promedio) 16.00s Tiempo de respuesta (total) 367.91s Tiempo de respuesta (máximo) 83.98s Respuesta incorrecta: 4 Error de API: 2 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#44#44	Muse Wonderminimal	9.1	Meta	$1.639	7.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 9.7 Tasa de aciertos por intento 76.8% Pruebas inestables 2 Tokens de entrada 238,532 Tokens de salida 9,812 Tokens de razonamiento 24,412 Tiempo de respuesta (promedio) 7.72s Tiempo de respuesta (total) 177.57s Tiempo de respuesta (máximo) 42.89s Error de API: 3 Respuesta incorrecta: 3 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#63#63	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.7 Tasa de aciertos por intento 75.4% Pruebas inestables 3 Tokens de entrada 282,490 Tokens de salida 8,621 Tokens de razonamiento 455,535 Tiempo de respuesta (promedio) 33.27s Tiempo de respuesta (total) 765.12s Tiempo de respuesta (máximo) 205.53s Respuesta incorrecta: 5 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#67#67	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 9.7 Tasa de aciertos por intento 78.3% Pruebas inestables 2 Tokens de entrada 348,967 Tokens de salida 1,005 Tokens de razonamiento 676,075 Tiempo de respuesta (promedio) 166.34s Tiempo de respuesta (total) 3825.81s Tiempo de respuesta (máximo) 640.85s No siguió las instrucciones: 2 Sin respuesta: 2 Respuesta incorrecta: 2 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.1 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#139#139	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.7 Tasa de aciertos por intento 65.2% Pruebas inestables 2 Tokens de entrada 176,539 Tokens de salida 4,419 Tokens de razonamiento 195,929 Tiempo de respuesta (promedio) 54.06s Tiempo de respuesta (total) 1189.36s Tiempo de respuesta (máximo) 203.01s Respuesta incorrecta: 8 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.2 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.9 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#144#144	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
#170#170	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 2 Tokens de entrada 277,164 Tokens de salida 1,913 Tokens de razonamiento 168,783 Tiempo de respuesta (promedio) 40.09s Tiempo de respuesta (total) 881.89s Tiempo de respuesta (máximo) 214.63s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#208#208	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
#213#213	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
#246#246	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 317,982 Tokens de salida 3,918 Tokens de razonamiento 135,028 Tiempo de respuesta (promedio) 7.74s Tiempo de respuesta (total) 178.07s Tiempo de respuesta (máximo) 107.89s Respuesta incorrecta: 9 Error de API: 1 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#260#260	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 271,890 Tokens de salida 190,841 Tokens de razonamiento 513,329 Tiempo de respuesta (promedio) 85.22s Tiempo de respuesta (total) 1960.12s Tiempo de respuesta (máximo) 432.81s Sin respuesta: 4 No siguió las instrucciones: 3 Respuesta incorrecta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.6 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.9 Llamada de herramientas : 4.7 Cultura general : 3.0
#298#298	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.7 Tasa de aciertos por intento 36.2% Pruebas inestables 3 Tokens de entrada 337,756 Tokens de salida 292,779 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 16.63s Tiempo de respuesta (total) 382.53s Tiempo de respuesta (máximo) 247.66s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 3.7 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 7.7 Inteligencia general : 5.5 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 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