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)
#205#205	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 4 Tokens de entrada 235,086 Tokens de salida 7,989 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.02s Tiempo de respuesta (total) 207.45s Tiempo de respuesta (máximo) 57.02s Respuesta incorrecta: 10 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#206#206	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 5 Tokens de entrada 315,136 Tokens de salida 219,014 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 36.24s Tiempo de respuesta (total) 833.43s Tiempo de respuesta (máximo) 320.00s Respuesta incorrecta: 10 No siguió las instrucciones: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.4 Programación : 5.7 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 5.3 Seguimiento de instrucciones : 5.9 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#209#209	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 1 Tokens de entrada 358,616 Tokens de salida 9,651 Tokens de razonamiento 520,155 Tiempo de respuesta (promedio) 55.13s Tiempo de respuesta (total) 1268.10s Tiempo de respuesta (máximo) 252.69s Respuesta incorrecta: 6 Formato extra: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 3.4 Trucos anti-IA : 8.3 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#210#210	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 37.7% Pruebas inestables 2 Tokens de entrada 463,872 Tokens de salida 219,122 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 26.52s Tiempo de respuesta (total) 609.94s Tiempo de respuesta (máximo) 480.96s Respuesta incorrecta: 14 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.5 Programación : 5.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#211#211	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 7 Tokens de entrada 384,974 Tokens de salida 13,946 Tokens de razonamiento 371,916 Tiempo de respuesta (promedio) 145.21s Tiempo de respuesta (total) 3339.87s Tiempo de respuesta (máximo) 640.89s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#215#215	GPT 5.3 Chatdefault	6.7	OpenAI	$0.533	6.31s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 4 Tokens de entrada 78,846 Tokens de salida 7,635 Tokens de razonamiento 20,544 Tiempo de respuesta (promedio) 6.31s Tiempo de respuesta (total) 138.73s Tiempo de respuesta (máximo) 18.33s Respuesta incorrecta: 6 Error de API: 2 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 6.7 Programación : 5.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.6 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#216#216	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 3 Tokens de entrada 207,852 Tokens de salida 5,555 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.61s Tiempo de respuesta (total) 105.93s Tiempo de respuesta (máximo) 58.28s Respuesta incorrecta: 10 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#217#217	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 9 Tokens de entrada 365,069 Tokens de salida 133,336 Tokens de razonamiento 344,133 Tiempo de respuesta (promedio) 31.25s Tiempo de respuesta (total) 718.67s Tiempo de respuesta (máximo) 114.61s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.5 Combinado : 4.2 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 8.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#218#218	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 4 Tokens de entrada 255,173 Tokens de salida 9,891 Tokens de razonamiento 17,277 Tiempo de respuesta (promedio) 11.82s Tiempo de respuesta (total) 271.92s Tiempo de respuesta (máximo) 90.45s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.7 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#219#219	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 2 Tokens de entrada 205,108 Tokens de salida 6,197 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.75s Tiempo de respuesta (total) 109.31s Tiempo de respuesta (máximo) 57.53s Respuesta incorrecta: 11 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#220#220	GLM 5.2none	6.6	Z.ai	$0.250 ↑	11.27s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 3 Tokens de entrada 247,919 Tokens de salida 17,685 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 11.27s Tiempo de respuesta (total) 259.32s Tiempo de respuesta (máximo) 79.65s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.3 Programación : 3.7 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 6.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#221#221	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 8 Tokens de entrada 300,394 Tokens de salida 14,081 Tokens de razonamiento 500,844 Tiempo de respuesta (promedio) 51.80s Tiempo de respuesta (total) 1191.42s Tiempo de respuesta (máximo) 593.64s Respuesta incorrecta: 8 No siguió las instrucciones: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 10.0 Programación : 6.2 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 5.8 Resolución de acertijos : 7.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#223#223	Mercury 2medium	6.6	Inception	$0.121	4.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 5 Tokens de entrada 189,300 Tokens de salida 10,854 Tokens de razonamiento 86,089 Tiempo de respuesta (promedio) 4.40s Tiempo de respuesta (total) 96.81s Tiempo de respuesta (máximo) 34.92s Respuesta incorrecta: 9 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 6.9 Programación : 8.2 Combinado : 6.7 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#224#224	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 4 Tokens de entrada 421,200 Tokens de salida 1,100,052 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 72.72s Tiempo de respuesta (total) 1672.53s Tiempo de respuesta (máximo) 364.99s Respuesta incorrecta: 8 Sin respuesta: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.4 Trucos anti-IA : 10.0 Programación : 4.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#225#225	Beam 1.0 501B A23Bmedium	6.6	Reflection	$0.499	6.27s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 2 Tokens de entrada 202,937 Tokens de salida 4,328 Tokens de razonamiento 94,193 Tiempo de respuesta (promedio) 6.27s Tiempo de respuesta (total) 144.28s Tiempo de respuesta (máximo) 31.55s Respuesta incorrecta: 6 Error de API: 3 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#226#226	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 8 Tokens de entrada 87,682 Tokens de salida 7,166 Tokens de razonamiento 106,027 Tiempo de respuesta (promedio) 19.40s Tiempo de respuesta (total) 446.11s Tiempo de respuesta (máximo) 209.15s Respuesta incorrecta: 10 Error de API: 2 Tareas de agentes : 3.0 Trucos anti-IA : 6.9 Programación : 7.8 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#227#227	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 40.6% Pruebas inestables 1 Tokens de entrada 361,183 Tokens de salida 26,609 Tokens de razonamiento 11,139 Tiempo de respuesta (promedio) 8.03s Tiempo de respuesta (total) 184.80s Tiempo de respuesta (máximo) 51.18s Formato extra: 8 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Sin respuesta: 1 Respuesta incorrecta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 3.4 Combinado : 8.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#228#228	Minimax M3.1 Flashhigh	6.5	Minimax	$0.000	34.00s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 8 Tokens de entrada 357,984 Tokens de salida 70,004 Tokens de razonamiento 209,434 Tiempo de respuesta (promedio) 34.00s Tiempo de respuesta (total) 781.92s Tiempo de respuesta (máximo) 280.72s Respuesta incorrecta: 8 No siguió las instrucciones: 4 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 6.4 Programación : 5.6 Combinado : 10.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.9 Inteligencia general : 4.6 Seguimiento de instrucciones : 5.3 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#229#229	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 3 Tokens de entrada 282,192 Tokens de salida 75,306 Tokens de razonamiento 700,868 Tiempo de respuesta (promedio) 59.92s Tiempo de respuesta (total) 1258.32s Tiempo de respuesta (máximo) 817.57s Respuesta incorrecta: 6 Error de API: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 7.7 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#232#232	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 212,065 Tokens de salida 4,428 Tokens de razonamiento 154,069 Tiempo de respuesta (promedio) 9.18s Tiempo de respuesta (total) 211.12s Tiempo de respuesta (máximo) 44.64s Respuesta incorrecta: 8 Error de API: 3 Tareas de agentes : 3.0 Trucos anti-IA : 9.2 Programación : 10.0 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.8 Llamada de herramientas : 3.0 Cultura general : 3.0
#233#233	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 247,871 Tokens de salida 10,791 Tokens de razonamiento 17,315 Tiempo de respuesta (promedio) 15.18s Tiempo de respuesta (total) 349.06s Tiempo de respuesta (máximo) 83.60s Respuesta incorrecta: 8 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.2 Trucos anti-IA : 6.9 Programación : 6.2 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#234#234	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 5 Tokens de entrada 258,956 Tokens de salida 20,076 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 11.10s Tiempo de respuesta (total) 255.39s Tiempo de respuesta (máximo) 107.19s Respuesta incorrecta: 12 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 4.0 Programación : 3.9 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#235#235	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 6 Tokens de entrada 106,085 Tokens de salida 9,071 Tokens de razonamiento 135,288 Tiempo de respuesta (promedio) 21.21s Tiempo de respuesta (total) 487.83s Tiempo de respuesta (máximo) 199.97s Respuesta incorrecta: 10 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 7.0 Programación : 6.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#236#236	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 325,471 Tokens de salida 14,867 Tokens de razonamiento 217,675 Tiempo de respuesta (promedio) 44.53s Tiempo de respuesta (total) 1024.25s Tiempo de respuesta (máximo) 216.69s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#237#237	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 46.4% Pruebas inestables 3 Tokens de entrada 352,516 Tokens de salida 33,786 Tokens de razonamiento 504,506 Tiempo de respuesta (promedio) 48.97s Tiempo de respuesta (total) 1126.35s Tiempo de respuesta (máximo) 422.72s Respuesta incorrecta: 10 Llamada de herramienta no válida: 2 Sin respuesta: 2 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 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