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)
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.0 Tasa de aciertos por intento 65.2% Pruebas inestables 5 Tokens de entrada 297,321 Tokens de salida 8,997 Tokens de razonamiento 423,853 Tiempo de respuesta (promedio) 124.87s Tiempo de respuesta (total) 2871.96s Tiempo de respuesta (máximo) 675.30s Respuesta incorrecta: 6 Error de API: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 6.2 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.6 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.8 Llamada de herramientas : 4.7 Cultura general : 3.0
#203#203	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
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 9.6 Tasa de aciertos por intento 72.5% Pruebas inestables 7 Tokens de entrada 329,276 Tokens de salida 8,172 Tokens de razonamiento 479,012 Tiempo de respuesta (promedio) 122.19s Tiempo de respuesta (total) 2810.40s Tiempo de respuesta (máximo) 573.57s Sin respuesta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Respuesta incorrecta: 2 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 6.0 Combinado : 8.6 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 4 Tokens de entrada 226,880 Tokens de salida 65,346 Tokens de razonamiento 331,325 Tiempo de respuesta (promedio) 121.25s Tiempo de respuesta (total) 2667.55s Tiempo de respuesta (máximo) 876.20s Respuesta incorrecta: 4 Tiempo agotado: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.0 Programación : 5.7 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.6 Tasa de aciertos por intento 75.4% Pruebas inestables 4 Tokens de entrada 295,642 Tokens de salida 115,041 Tokens de razonamiento 353,398 Tiempo de respuesta (promedio) 120.88s Tiempo de respuesta (total) 2780.16s Tiempo de respuesta (máximo) 532.28s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.6 Tasa de aciertos por intento 73.9% Pruebas inestables 2 Tokens de entrada 313,881 Tokens de salida 123,706 Tokens de razonamiento 388,328 Tiempo de respuesta (promedio) 120.40s Tiempo de respuesta (total) 2769.16s Tiempo de respuesta (máximo) 534.21s Respuesta incorrecta: 5 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 8.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.2 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 76.8% Pruebas inestables 5 Tokens de entrada 281,863 Tokens de salida 24,535 Tokens de razonamiento 507,976 Tiempo de respuesta (promedio) 118.83s Tiempo de respuesta (total) 2733.01s Tiempo de respuesta (máximo) 600.61s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 6.3 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#160#160	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
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.9 Tasa de aciertos por intento 55.1% Pruebas inestables 5 Tokens de entrada 262,387 Tokens de salida 7,344 Tokens de razonamiento 338,881 Tiempo de respuesta (promedio) 115.00s Tiempo de respuesta (total) 2645.11s Tiempo de respuesta (máximo) 560.39s Respuesta incorrecta: 8 Error de API: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 10.0 Análisis y extracción de datos : 6.3 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 76.8% Pruebas inestables 6 Tokens de entrada 288,919 Tokens de salida 17,484 Tokens de razonamiento 617,804 Tiempo de respuesta (promedio) 114.73s Tiempo de respuesta (total) 2638.74s Tiempo de respuesta (máximo) 1026.43s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 6.2 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 7 Tokens de entrada 378,048 Tokens de salida 56,477 Tokens de razonamiento 865,151 Tiempo de respuesta (promedio) 111.54s Tiempo de respuesta (total) 2565.38s Tiempo de respuesta (máximo) 950.25s Sin respuesta: 3 Tiempo agotado: 3 Respuesta incorrecta: 3 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 7.4 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 3.8 Análisis y extracción de datos : 7.3 Específico del dominio : 3.5 Inteligencia general : 2.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 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
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 7 Tokens de entrada 264,147 Tokens de salida 34,419 Tokens de razonamiento 253,480 Tiempo de respuesta (promedio) 107.79s Tiempo de respuesta (total) 2479.26s Tiempo de respuesta (máximo) 1085.11s Respuesta incorrecta: 5 Sin respuesta: 3 Llamada de herramienta no válida: 2 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 7.7 Combinado : 6.7 Análisis y extracción de datos : 3.5 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 1 Tokens de entrada 224,367 Tokens de salida 27,095 Tokens de razonamiento 242,256 Tiempo de respuesta (promedio) 105.03s Tiempo de respuesta (total) 2310.63s Tiempo de respuesta (máximo) 912.19s Sin respuesta: 2 Tiempo agotado: 2 Respuesta incorrecta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 2.9 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.9 Tasa de aciertos por intento 72.5% Pruebas inestables 6 Tokens de entrada 301,749 Tokens de salida 1,033 Tokens de razonamiento 620,023 Tiempo de respuesta (promedio) 102.66s Tiempo de respuesta (total) 2361.10s Tiempo de respuesta (máximo) 674.08s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 7.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.3 Tasa de aciertos por intento 42.0% Pruebas inestables 9 Tokens de entrada 188,239 Tokens de salida 27,822 Tokens de razonamiento 262,674 Tiempo de respuesta (promedio) 102.32s Tiempo de respuesta (total) 1637.05s Tiempo de respuesta (máximo) 600.81s Respuesta incorrecta: 7 Tiempo agotado: 5 No siguió las instrucciones: 3 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 7.9 Programación : 3.4 Combinado : 3.7 Análisis y extracción de datos : 4.6 Específico del dominio : 2.9 Inteligencia general : 3.8 Seguimiento de instrucciones : 7.5 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 8.0 Tasa de aciertos por intento 65.2% Pruebas inestables 7 Tokens de entrada 244,499 Tokens de salida 8,744 Tokens de razonamiento 375,349 Tiempo de respuesta (promedio) 100.65s Tiempo de respuesta (total) 2314.88s Tiempo de respuesta (máximo) 626.58s Respuesta incorrecta: 6 Error de API: 4 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.9 Programación : 8.9 Combinado : 4.7 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 4.7 Cultura general : 3.0
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.9 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 287,538 Tokens de salida 118,266 Tokens de razonamiento 346,758 Tiempo de respuesta (promedio) 97.70s Tiempo de respuesta (total) 2247.18s Tiempo de respuesta (máximo) 576.79s Respuesta incorrecta: 4 Sin respuesta: 3 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 6 Tokens de entrada 249,486 Tokens de salida 14,481 Tokens de razonamiento 288,249 Tiempo de respuesta (promedio) 97.68s Tiempo de respuesta (total) 1562.81s Tiempo de respuesta (máximo) 304.85s Respuesta incorrecta: 6 Tiempo agotado: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.2 Programación : 6.6 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 8.3 Tasa de aciertos por intento 59.4% Pruebas inestables 6 Tokens de entrada 153,399 Tokens de salida 7,803 Tokens de razonamiento 179,098 Tiempo de respuesta (promedio) 97.34s Tiempo de respuesta (total) 2238.73s Tiempo de respuesta (máximo) 587.08s Error de API: 8 Respuesta incorrecta: 3 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 5.2 Combinado : 6.5 Análisis y extracción de datos : 6.4 Específico del dominio : 3.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 6 Tokens de entrada 347,980 Tokens de salida 121,898 Tokens de razonamiento 720,302 Tiempo de respuesta (promedio) 95.16s Tiempo de respuesta (total) 2188.74s Tiempo de respuesta (máximo) 540.96s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Error de API: 2 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.3 Programación : 5.3 Combinado : 5.2 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 4.4 Resolución de acertijos : 6.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 8 Tokens de entrada 274,189 Tokens de salida 66,689 Tokens de razonamiento 510,525 Tiempo de respuesta (promedio) 94.16s Tiempo de respuesta (total) 2165.72s Tiempo de respuesta (máximo) 303.26s Respuesta incorrecta: 5 Sin respuesta: 3 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.2 Programación : 6.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 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
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.6 Tasa de aciertos por intento 81.2% Pruebas inestables 5 Tokens de entrada 271,242 Tokens de salida 11,803 Tokens de razonamiento 397,838 Tiempo de respuesta (promedio) 92.38s Tiempo de respuesta (total) 2124.67s Tiempo de respuesta (máximo) 482.30s Error de API: 2 Respuesta incorrecta: 2 Formato extra: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 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