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)
#106#106	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 287,061 Tokens de salida 32,056 Tokens de razonamiento 196,607 Tiempo de respuesta (promedio) 91.29s Tiempo de respuesta (total) 2099.56s Tiempo de respuesta (máximo) 416.76s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 5.7 Programación : 6.3 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.8 Resolución de acertijos : 6.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#107#107	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 81.2% Pruebas inestables 2 Tokens de entrada 437,293 Tokens de salida 29,102 Tokens de razonamiento 28,876 Tiempo de respuesta (promedio) 14.12s Tiempo de respuesta (total) 310.55s Tiempo de respuesta (máximo) 150.60s Respuesta incorrecta: 3 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 5.2 Trucos anti-IA : 8.3 Programación : 7.6 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 : 3.0
#108#108	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 298,794 Tokens de salida 45,873 Tokens de razonamiento 188,721 Tiempo de respuesta (promedio) 55.99s Tiempo de respuesta (total) 1287.87s Tiempo de respuesta (máximo) 218.13s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 7.8 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#110#110	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 197,896 Tokens de salida 6,211 Tokens de razonamiento 133,184 Tiempo de respuesta (promedio) 18.39s Tiempo de respuesta (total) 422.93s Tiempo de respuesta (máximo) 111.09s Respuesta incorrecta: 8 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#112#112	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 4 Tokens de entrada 237,088 Tokens de salida 8,235 Tokens de razonamiento 102,675 Tiempo de respuesta (promedio) 15.95s Tiempo de respuesta (total) 366.93s Tiempo de respuesta (máximo) 94.06s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 6.1 Combinado : 9.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 4.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 4.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#114#114	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 79.7% Pruebas inestables 6 Tokens de entrada 342,163 Tokens de salida 1,518 Tokens de razonamiento 133,777 Tiempo de respuesta (promedio) 23.66s Tiempo de respuesta (total) 544.16s Tiempo de respuesta (máximo) 166.72s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#115#115	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 75.4% Pruebas inestables 6 Tokens de entrada 176,890 Tokens de salida 5,688 Tokens de razonamiento 18,525 Tiempo de respuesta (promedio) 7.58s Tiempo de respuesta (total) 174.39s Tiempo de respuesta (máximo) 54.57s Respuesta incorrecta: 8 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 6.6 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 4.7 Cultura general : 3.0
#116#116	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
#117#117	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 78.3% Pruebas inestables 6 Tokens de entrada 322,894 Tokens de salida 8,010 Tokens de razonamiento 394,755 Tiempo de respuesta (promedio) 43.97s Tiempo de respuesta (total) 1011.29s Tiempo de respuesta (máximo) 390.70s Llamada de herramienta no válida: 2 Sin respuesta: 2 Respuesta incorrecta: 2 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 8.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#118#118	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 85.5% Pruebas inestables 1 Tokens de entrada 144,676 Tokens de salida 8,184 Tokens de razonamiento 32,282 Tiempo de respuesta (promedio) 13.30s Tiempo de respuesta (total) 305.83s Tiempo de respuesta (máximo) 40.17s Respuesta incorrecta: 3 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 8.4 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 : 3.0
#119#119	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 5 Tokens de entrada 238,925 Tokens de salida 7,109 Tokens de razonamiento 177,063 Tiempo de respuesta (promedio) 29.94s Tiempo de respuesta (total) 688.57s Tiempo de respuesta (máximo) 138.75s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.6 Programación : 8.4 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.8 Llamada de herramientas : 4.7 Cultura general : 3.0
#121#121	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 81.2% Pruebas inestables 2 Tokens de entrada 296,760 Tokens de salida 4,371 Tokens de razonamiento 92,284 Tiempo de respuesta (promedio) 11.78s Tiempo de respuesta (total) 271.03s Tiempo de respuesta (máximo) 84.47s Respuesta incorrecta: 3 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 2.8 Trucos anti-IA : 10.0 Programación : 7.9 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 10.0
#123#123	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 291,988 Tokens de salida 8,848 Tokens de razonamiento 622,995 Tiempo de respuesta (promedio) 61.90s Tiempo de respuesta (total) 1423.67s Tiempo de respuesta (máximo) 357.28s Respuesta incorrecta: 6 Sin respuesta: 2 Formato extra: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 5.9 Programación : 7.2 Combinado : 7.1 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#126#126	DeepSeek V4.1 Flash 1017high	7.8	DeepSeek	$0.589	58.56s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 6 Tokens de entrada 279,873 Tokens de salida 7,049 Tokens de razonamiento 904,285 Tiempo de respuesta (promedio) 58.56s Tiempo de respuesta (total) 1346.87s Tiempo de respuesta (máximo) 440.77s Respuesta incorrecta: 5 Sin respuesta: 3 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 4.5 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#127#127	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 79.7% Pruebas inestables 3 Tokens de entrada 308,369 Tokens de salida 7,013 Tokens de razonamiento 299,031 Tiempo de respuesta (promedio) 68.44s Tiempo de respuesta (total) 1574.14s Tiempo de respuesta (máximo) 436.38s Respuesta incorrecta: 6 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 7.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#128#128	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 75.4% Pruebas inestables 7 Tokens de entrada 219,811 Tokens de salida 8,811 Tokens de razonamiento 59,671 Tiempo de respuesta (promedio) 28.38s Tiempo de respuesta (total) 652.78s Tiempo de respuesta (máximo) 159.91s Respuesta incorrecta: 6 Formato extra: 2 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#129#129	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 4 Tokens de entrada 319,524 Tokens de salida 440,835 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 26.57s Tiempo de respuesta (total) 611.09s Tiempo de respuesta (máximo) 152.83s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.7 Programación : 8.8 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#130#130	Grok 4.6medium	7.8	X AI	$2.270	74.77s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 78.3% Pruebas inestables 4 Tokens de entrada 336,351 Tokens de salida 6,180 Tokens de razonamiento 260,017 Tiempo de respuesta (promedio) 74.77s Tiempo de respuesta (total) 1719.73s Tiempo de respuesta (máximo) 514.35s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#131#131	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 0 Tokens de entrada 250,495 Tokens de salida 76,261 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 17.80s Tiempo de respuesta (total) 409.51s Tiempo de respuesta (máximo) 206.03s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.3 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#132#132	Grok 4.5low	7.8	X AI	$1.345	18.14s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 73.9% Pruebas inestables 2 Tokens de entrada 308,068 Tokens de salida 9,218 Tokens de razonamiento 112,197 Tiempo de respuesta (promedio) 18.14s Tiempo de respuesta (total) 417.21s Tiempo de respuesta (máximo) 205.28s Respuesta incorrecta: 7 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#133#133	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
#135#135	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 73.9% Pruebas inestables 4 Tokens de entrada 229,986 Tokens de salida 6,037 Tokens de razonamiento 95,550 Tiempo de respuesta (promedio) 20.37s Tiempo de respuesta (total) 468.52s Tiempo de respuesta (máximo) 106.93s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#136#136	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 8 Tokens de entrada 281,859 Tokens de salida 102,526 Tokens de razonamiento 286,217 Tiempo de respuesta (promedio) 69.87s Tiempo de respuesta (total) 1607.12s Tiempo de respuesta (máximo) 451.90s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Sin respuesta: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 8.8 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 5.3 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 6.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#138#138	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 7 Tokens de entrada 298,334 Tokens de salida 10,328 Tokens de razonamiento 55,846 Tiempo de respuesta (promedio) 7.71s Tiempo de respuesta (total) 177.29s Tiempo de respuesta (máximo) 47.70s Respuesta incorrecta: 5 Formato extra: 2 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 6.3 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#140#140	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 6 Tokens de entrada 318,058 Tokens de salida 16,035 Tokens de razonamiento 315,072 Tiempo de respuesta (promedio) 41.03s Tiempo de respuesta (total) 943.75s Tiempo de respuesta (máximo) 394.54s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Error de API: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.0 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.3 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