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)
#407#407	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 12 Fiabilidad N/D Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 41,313 Tokens de salida 1,923 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.11s Tiempo de respuesta (total) 19.96s Tiempo de respuesta (máximo) 6.04s Respuesta incorrecta: 10 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.8 Programación : 1.1 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 0.0
#426#426	Drex v1.5default	2.4	Nace AI	$0.002	986ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 17.4% Pruebas inestables 0 Tokens de entrada 42,804 Tokens de salida 27,468 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 986ms Tiempo de respuesta (total) 11.84s Tiempo de respuesta (máximo) 1.38s Respuesta incorrecta: 8 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 4.5 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.0 Llamada de herramientas : 0.0 Cultura general : 0.0
#438#438	Microsoft-Decision-1default	1.4	Microsoft	$0.002	982ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 7.3% Pruebas inestables 1 Tokens de entrada 41,466 Tokens de salida 69 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 982ms Tiempo de respuesta (total) 11.78s Tiempo de respuesta (máximo) 1.41s Respuesta incorrecta: 11 Tareas de agentes : 0.0 Trucos anti-IA : 4.4 Programación : 2.2 Combinado : 0.0 Análisis y extracción de datos : 3.0 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
#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
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 21.7% Pruebas inestables 0 Tokens de entrada 33,675 Tokens de salida 2,826 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 806ms Tiempo de respuesta (total) 12.09s Tiempo de respuesta (máximo) 2.01s Respuesta incorrecta: 8 Error de API: 4 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 0.0 Trucos anti-IA : 3.0 Programación : 0.8 Combinado : 1.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 3.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#436#436	LFM2-24B-A2Bdefault	1.8	Liquid	$0.001	782ms
Ver ficha del modelo Pruebas totales 16 Pruebas incorrectas 14 Fiabilidad N/D Tasa de aciertos por intento 11.6% Pruebas inestables 1 Tokens de entrada 10,771 Tokens de salida 1,173 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 782ms Tiempo de respuesta (total) 10.94s Tiempo de respuesta (máximo) 3.15s Respuesta incorrecta: 9 Error de API: 4 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 2.5 Programación : 0.0 Combinado : 1.5 Análisis y extracción de datos : 3.0 Específico del dominio : 5.9 Inteligencia general : 4.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.8 Llamada de herramientas : 3.0 Cultura general : 0.0
#422#422	Nemotron 3 Nano Omni 30b A3b Reasoningdefault	2.6	NVIDIA	$0.000	728ms
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 14.5% Pruebas inestables 2 Tokens de entrada 11,661 Tokens de salida 1,302 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 728ms Tiempo de respuesta (total) 9.47s Tiempo de respuesta (máximo) 2.21s Respuesta incorrecta: 9 Error de API: 6 No siguió las instrucciones: 2 Tareas de agentes : 0.0 Trucos anti-IA : 4.8 Programación : 3.3 Combinado : 1.5 Análisis y extracción de datos : 3.8 Específico del dominio : 3.6 Inteligencia general : 3.0 Seguimiento de instrucciones : 4.8 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
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 67,092 Tokens de salida 18,927 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 698ms Tiempo de respuesta (total) 8.38s Tiempo de respuesta (máximo) 1.08s Respuesta incorrecta: 6 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 2.2 Combinado : 0.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 3.3 Llamada de herramientas : 0.0 Cultura general : 0.0
#421#421	d1-ultradefault	2.7	Liquid	$0.003	531ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 20.3% Pruebas inestables 1 Tokens de entrada 55,956 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 531ms Tiempo de respuesta (total) 6.38s Tiempo de respuesta (máximo) 697ms Respuesta incorrecta: 7 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 5.3 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 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
#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
#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
#427#427	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 13.0% Pruebas inestables 0 Tokens de entrada 47,583 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 495ms Tiempo de respuesta (total) 5.94s Tiempo de respuesta (máximo) 842ms Respuesta incorrecta: 8 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 2.3 Programación : 2.5 Combinado : 0.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#432#432	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 13.0% Pruebas inestables 0 Tokens de entrada 49,176 Tokens de salida 69 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 462ms Tiempo de respuesta (total) 5.55s Tiempo de respuesta (máximo) 661ms Respuesta incorrecta: 9 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 : 5.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.0 Llamada de herramientas : 0.0 Cultura general : 0.0
#429#429	Jev 1.14default	2.3	Typesafe	$0.003	377ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 23.2% Pruebas inestables 2 Tokens de entrada 67,092 Tokens de salida 18,927 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 377ms Tiempo de respuesta (total) 4.52s Tiempo de respuesta (máximo) 546ms Respuesta incorrecta: 7 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 2.7 Combinado : 0.0 Análisis y extracción de datos : 7.3 Específico del dominio : 7.7 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0
#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
#425#425	Decider V1.1 27Bdefault	2.6	Perplexity	$0.002	320ms
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 17.4% Pruebas inestables 0 Tokens de entrada 73,557 Tokens de salida 69 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 320ms Tiempo de respuesta (total) 3.84s Tiempo de respuesta (máximo) 491ms Respuesta incorrecta: 8 Tareas de agentes : 0.0 Trucos anti-IA : 4.0 Programación : 4.9 Combinado : 0.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 0.0 Seguimiento de instrucciones : 1.5 Resolución de acertijos : 1.7 Llamada de herramientas : 0.0 Cultura general : 0.0

←

1 17 18

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