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)
#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
#379#379	Trinity Large Previewdefault	4.4	Arcee AI	$0.008 ↑	2.83s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 20.3% Pruebas inestables 2 Tokens de entrada 29,828 Tokens de salida 2,169 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 2.83s Tiempo de respuesta (total) 56.65s Tiempo de respuesta (máximo) 14.34s Respuesta incorrecta: 12 Error de API: 3 No siguió las instrucciones: 3 Tareas de agentes : 3.0 Trucos anti-IA : 3.1 Programación : 3.7 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.5 Seguimiento de instrucciones : 3.5 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#327#327	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 6 Tokens de entrada 272,479 Tokens de salida 40,677 Tokens de razonamiento 23,104 Tiempo de respuesta (promedio) 8.43s Tiempo de respuesta (total) 176.93s Tiempo de respuesta (máximo) 65.61s Respuesta incorrecta: 13 Error de API: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.2 Trucos anti-IA : 3.6 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 3.2 Llamada de herramientas : 3.0 Cultura general : 3.0
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 24.6% Pruebas inestables 4 Tokens de entrada 230,291 Tokens de salida 99,030 Tokens de razonamiento 287,794 Tiempo de respuesta (promedio) 63.06s Tiempo de respuesta (total) 1450.31s Tiempo de respuesta (máximo) 560.31s Respuesta incorrecta: 14 Llamada de herramienta no válida: 2 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.4 Trucos anti-IA : 3.4 Programación : 5.3 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.6 Seguimiento de instrucciones : 4.2 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 27.5% Pruebas inestables 6 Tokens de entrada 344,806 Tokens de salida 177,330 Tokens de razonamiento 453,213 Tiempo de respuesta (promedio) 113.63s Tiempo de respuesta (total) 2613.48s Tiempo de respuesta (máximo) 1190.11s Respuesta incorrecta: 12 Llamada de herramienta no válida: 2 Sin respuesta: 2 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 2.8 Trucos anti-IA : 3.4 Programación : 5.3 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.6 Seguimiento de instrucciones : 4.6 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 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
#353#353	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
#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
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 8.9 Tasa de aciertos por intento 17.4% Pruebas inestables 0 Tokens de entrada 177,989 Tokens de salida 26,954 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 29.47s Tiempo de respuesta (total) 677.70s Tiempo de respuesta (máximo) 159.85s Respuesta incorrecta: 13 Formato extra: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.0 Trucos anti-IA : 3.0 Programación : 3.9 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.9 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.5 Llamada de herramientas : 9.5 Cultura general : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 8.2 Tasa de aciertos por intento 37.7% Pruebas inestables 10 Tokens de entrada 282,658 Tokens de salida 198,563 Tokens de razonamiento 462,804 Tiempo de respuesta (promedio) 235.35s Tiempo de respuesta (total) 5413.09s Tiempo de respuesta (máximo) 685.87s Tiempo agotado: 10 Respuesta incorrecta: 7 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 3.8 Combinado : 5.0 Análisis y extracción de datos : 3.8 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#365#365	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 4 Tokens de entrada 246,687 Tokens de salida 14,894 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.42s Tiempo de respuesta (total) 101.75s Tiempo de respuesta (máximo) 45.38s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.5 Programación : 4.6 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 2.9 Inteligencia general : 3.8 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 23.2% Pruebas inestables 2 Tokens de entrada 100,634 Tokens de salida 9,609 Tokens de razonamiento 100 Tiempo de respuesta (promedio) 1.18s Tiempo de respuesta (total) 27.14s Tiempo de respuesta (máximo) 9.00s Respuesta incorrecta: 17 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 3.0 Programación : 3.4 Combinado : 3.0 Análisis y extracción de datos : 7.3 Específico del dominio : 5.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.4 Tasa de aciertos por intento 30.4% Pruebas inestables 8 Tokens de entrada 228,711 Tokens de salida 42,254 Tokens de razonamiento 422,121 Tiempo de respuesta (promedio) 150.90s Tiempo de respuesta (total) 2414.33s Tiempo de respuesta (máximo) 1539.97s Respuesta incorrecta: 10 Sin respuesta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tiempo agotado: 2 Tareas de agentes : 3.9 Trucos anti-IA : 4.7 Programación : 3.2 Combinado : 2.9 Análisis y extracción de datos : 6.3 Específico del dominio : 3.5 Inteligencia general : 3.6 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#399#399	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 23.2% Pruebas inestables 3 Tokens de entrada 115,314 Tokens de salida 133,965 Tokens de razonamiento 816,718 Tiempo de respuesta (promedio) 72.24s Tiempo de respuesta (total) 1589.23s Tiempo de respuesta (máximo) 345.15s Sin respuesta: 7 Respuesta incorrecta: 6 No siguió las instrucciones: 3 Error de API: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 6.4 Programación : 2.9 Combinado : 3.0 Análisis y extracción de datos : 2.8 Específico del dominio : 2.9 Inteligencia general : 5.4 Seguimiento de instrucciones : 6.8 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#400#400	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.6 Tasa de aciertos por intento 18.8% Pruebas inestables 1 Tokens de entrada 99,662 Tokens de salida 146,555 Tokens de razonamiento 732,977 Tiempo de respuesta (promedio) 63.15s Tiempo de respuesta (total) 1389.35s Tiempo de respuesta (máximo) 252.08s Sin respuesta: 7 Respuesta incorrecta: 5 No siguió las instrucciones: 4 Error de API: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 6.5 Programación : 2.9 Combinado : 3.0 Análisis y extracción de datos : 2.8 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.6 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#401#401	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.6 Tasa de aciertos por intento 23.2% Pruebas inestables 3 Tokens de entrada 103,898 Tokens de salida 148,304 Tokens de razonamiento 774,972 Tiempo de respuesta (promedio) 64.99s Tiempo de respuesta (total) 1429.68s Tiempo de respuesta (máximo) 262.20s Sin respuesta: 7 Respuesta incorrecta: 5 No siguió las instrucciones: 4 Error de API: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 6.5 Programación : 2.9 Combinado : 3.0 Análisis y extracción de datos : 2.7 Específico del dominio : 3.0 Inteligencia general : 3.8 Seguimiento de instrucciones : 6.8 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 8.7% Pruebas inestables 0 Tokens de entrada 70,125 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 880ms Tiempo de respuesta (total) 10.56s Tiempo de respuesta (máximo) 1.31s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 2.5 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#434#434	D1default	1.9	Liquid	$0.003	508ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 11.6% Pruebas inestables 1 Tokens de entrada 55,956 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 508ms Tiempo de respuesta (total) 6.10s Tiempo de respuesta (máximo) 820ms Respuesta incorrecta: 10 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 2.2 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#415#415	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 18.8% Pruebas inestables 3 Tokens de entrada 36,608 Tokens de salida 1,723 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.62s Tiempo de respuesta (total) 19.48s Tiempo de respuesta (máximo) 5.51s Respuesta incorrecta: 13 No siguió las instrucciones: 3 Tareas de agentes : 0.0 Trucos anti-IA : 3.2 Programación : 1.8 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 2.8 Cultura general : 3.0
#441#441	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
Ver ficha del modelo Pruebas totales 7 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 4.4% Pruebas inestables 0 Tokens de entrada 103,770 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 363ms Tiempo de respuesta (total) 2.54s Tiempo de respuesta (máximo) 1.24s Respuesta incorrecta: 5 No siguió las instrucciones: 1 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 : 2.0 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 6.5 Tasa de aciertos por intento 21.7% Pruebas inestables 4 Tokens de entrada 162,180 Tokens de salida 5,030 Tokens de razonamiento 682,447 Tiempo de respuesta (promedio) 207.21s Tiempo de respuesta (total) 4765.91s Tiempo de respuesta (máximo) 597.45s Respuesta incorrecta: 13 Error de API: 5 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 6.0 Programación : 5.2 Combinado : 2.9 Análisis y extracción de datos : 8.7 Específico del dominio : 4.5 Inteligencia general : 7.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 8 Tokens de entrada 465,127 Tokens de salida 72,309 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.79s Tiempo de respuesta (total) 179.09s Tiempo de respuesta (máximo) 121.52s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 5.2 Trucos anti-IA : 3.4 Programación : 3.8 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.4 Seguimiento de instrucciones : 4.9 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#343#343	Dots 3 Note Previewdefault	5.0	Dots Studio	$0.000	5.36s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 10.0 Tasa de aciertos por intento 15.9% Pruebas inestables 1 Tokens de entrada 225,907 Tokens de salida 22,507 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 5.36s Tiempo de respuesta (total) 123.38s Tiempo de respuesta (máximo) 45.71s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.1 Programación : 4.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 4.8 Resolución de acertijos : 3.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 6.2 Tasa de aciertos por intento 15.9% Pruebas inestables 1 Tokens de entrada 185,167 Tokens de salida 9,430 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 40.38s Tiempo de respuesta (total) 928.76s Tiempo de respuesta (máximo) 95.32s Respuesta incorrecta: 14 Error de API: 2 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.3 Programación : 3.8 Combinado : 3.0 Análisis y extracción de datos : 8.7 Específico del dominio : 6.8 Inteligencia general : 5.1 Seguimiento de instrucciones : 7.0 Resolución de acertijos : 4.6 Llamada de herramientas : 3.0 Cultura general : 3.0
#363#363	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 10.0 Tasa de aciertos por intento 24.6% Pruebas inestables 4 Tokens de entrada 311,647 Tokens de salida 40,395 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 16.97s Tiempo de respuesta (total) 305.55s Tiempo de respuesta (máximo) 151.35s Respuesta incorrecta: 15 No siguió las instrucciones: 3 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.5 Programación : 3.7 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 6.3 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.0 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