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)
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 10.0 Tasa de aciertos por intento 23.2% Pruebas inestables 6 Tokens de entrada 232,641 Tokens de salida 69,335 Tokens de razonamiento 426,182 Tiempo de respuesta (promedio) 88.24s Tiempo de respuesta (total) 2029.57s Tiempo de respuesta (máximo) 814.73s Respuesta incorrecta: 16 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 2.8 Trucos anti-IA : 3.4 Programación : 3.8 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 4.3 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 9.1 Tasa de aciertos por intento 15.9% Pruebas inestables 2 Tokens de entrada 226,872 Tokens de salida 133,268 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 84.66s Tiempo de respuesta (total) 1947.17s Tiempo de respuesta (máximo) 747.17s Respuesta incorrecta: 11 Formato extra: 4 Tiempo agotado: 3 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.9 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 2.9 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 8.7 Tasa de aciertos por intento 26.1% Pruebas inestables 6 Tokens de entrada 387,323 Tokens de salida 48,562 Tokens de razonamiento 410,431 Tiempo de respuesta (promedio) 110.18s Tiempo de respuesta (total) 1873.00s Tiempo de respuesta (máximo) 569.97s Tiempo agotado: 11 Sin respuesta: 3 Respuesta incorrecta: 2 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 5.1 Programación : 2.9 Combinado : 3.0 Análisis y extracción de datos : 3.6 Específico del dominio : 3.6 Inteligencia general : 2.8 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#397#397	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
#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
#361#361	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 21 Fiabilidad 10.0 Tasa de aciertos por intento 14.5% Pruebas inestables 3 Tokens de entrada 287,445 Tokens de salida 99,097 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 17.65s Tiempo de respuesta (total) 406.05s Tiempo de respuesta (máximo) 200.52s Respuesta incorrecta: 18 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 5.4 Trucos anti-IA : 3.1 Programación : 3.4 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 4.3 Resolución de acertijos : 3.1 Llamada de herramientas : 4.7 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
#395#395	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
#396#396	Granite 4.1 8bdefault	3.8	IBM Granite	$0.007	1.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 21 Fiabilidad 10.0 Tasa de aciertos por intento 8.7% Pruebas inestables 0 Tokens de entrada 113,836 Tokens de salida 5,996 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 1.38s Tiempo de respuesta (total) 31.81s Tiempo de respuesta (máximo) 16.67s Respuesta incorrecta: 13 No siguió las instrucciones: 4 Llamada de herramienta no válida: 2 Error de API: 1 Formato extra: 1 Tareas de agentes : 3.0 Trucos anti-IA : 4.9 Programación : 4.5 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 3.0 Inteligencia general : 4.0 Seguimiento de instrucciones : 3.6 Resolución de acertijos : 3.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#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
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 22 Fiabilidad 7.3 Tasa de aciertos por intento 26.1% Pruebas inestables 11 Tokens de entrada 98,467 Tokens de salida 3,385 Tokens de razonamiento 104,595 Tiempo de respuesta (promedio) 371.69s Tiempo de respuesta (total) 8548.88s Tiempo de respuesta (máximo) 971.85s Respuesta incorrecta: 9 Tiempo agotado: 6 Error de API: 4 No siguió las instrucciones: 3 Tareas de agentes : 3.0 Trucos anti-IA : 3.8 Programación : 4.2 Combinado : 3.0 Análisis y extracción de datos : 2.9 Específico del dominio : 3.6 Inteligencia general : 3.2 Seguimiento de instrucciones : 4.3 Resolución de acertijos : 2.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 3.5 Tasa de aciertos por intento 0.0% Pruebas inestables 0 Tokens de entrada 118,771 Tokens de salida 4,127 Tokens de razonamiento 14,668 Tiempo de respuesta (promedio) 91.72s Tiempo de respuesta (total) 2109.54s Tiempo de respuesta (máximo) 112.76s Error de API: 22 Respuesta incorrecta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.0 Programación : 3.0 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#412#412	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 8.8 Tasa de aciertos por intento 7.3% Pruebas inestables 4 Tokens de entrada 153,665 Tokens de salida 26,540 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 42.72s Tiempo de respuesta (total) 982.66s Tiempo de respuesta (máximo) 634.11s Respuesta incorrecta: 13 No siguió las instrucciones: 5 Error de API: 3 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.0 Trucos anti-IA : 3.3 Programación : 3.6 Combinado : 3.0 Análisis y extracción de datos : 2.9 Específico del dominio : 3.0 Inteligencia general : 3.4 Seguimiento de instrucciones : 4.0 Resolución de acertijos : 3.1 Llamada de herramientas : 4.7 Cultura general : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 3.5 Tasa de aciertos por intento 0.0% Pruebas inestables 0 Tokens de entrada 117,966 Tokens de salida 5,149 Tokens de razonamiento 23,514 Tiempo de respuesta (promedio) 89.96s Tiempo de respuesta (total) 2069.01s Tiempo de respuesta (máximo) 156.00s Error de API: 22 Respuesta incorrecta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 3.0 Programación : 3.0 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#417#417	Command A+none	3.0	Cohere	$0.000	77.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 0.0 Tasa de aciertos por intento 0.0% Pruebas inestables 0 Tokens de entrada 0 Tokens de salida 0 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 77.87s Tiempo de respuesta (total) 1791.03s Tiempo de respuesta (máximo) 106.37s Error de API: 23 Tareas de agentes : 3.0 Trucos anti-IA : 3.0 Programación : 3.0 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 3.5 Tasa de aciertos por intento 1.5% Pruebas inestables 1 Tokens de entrada 114,874 Tokens de salida 1,992 Tokens de razonamiento 23,529 Tiempo de respuesta (promedio) 92.50s Tiempo de respuesta (total) 2127.40s Tiempo de respuesta (máximo) 128.54s Error de API: 22 Respuesta incorrecta: 1 Tareas de agentes : 2.8 Trucos anti-IA : 3.0 Programación : 3.0 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 3.0 Cultura general : 3.0

←

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