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)
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 2 Tokens de entrada 85,669 Tokens de salida 6,092 Tokens de razonamiento 292,801 Tiempo de respuesta (promedio) 29.10s Tiempo de respuesta (total) 669.40s Tiempo de respuesta (máximo) 122.60s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 9.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 4.8 Llamada de herramientas : 3.0 Cultura general : 3.0
#75#75	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 85.5% Pruebas inestables 3 Tokens de entrada 298,682 Tokens de salida 8,374 Tokens de razonamiento 80,549 Tiempo de respuesta (promedio) 29.07s Tiempo de respuesta (total) 668.66s Tiempo de respuesta (máximo) 207.79s Respuesta incorrecta: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 42.0% Pruebas inestables 4 Tokens de entrada 11,793 Tokens de salida 1,809 Tokens de razonamiento 265,466 Tiempo de respuesta (promedio) 28.69s Tiempo de respuesta (total) 459.00s Tiempo de respuesta (máximo) 138.35s Respuesta incorrecta: 7 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 0.0 Trucos anti-IA : 8.7 Programación : 3.3 Combinado : 1.5 Análisis y extracción de datos : 3.8 Específico del dominio : 3.6 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.4 Llamada de herramientas : 3.0 Cultura general : 3.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Ver ficha del modelo Pruebas totales 20 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 3 Tokens de entrada 131,652 Tokens de salida 16,869 Tokens de razonamiento 53,081 Tiempo de respuesta (promedio) 28.63s Tiempo de respuesta (total) 486.69s Tiempo de respuesta (máximo) 140.90s Respuesta incorrecta: 9 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.5 Programación : 1.5 Combinado : 1.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#125#125	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
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
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 218,199 Tokens de salida 175,696 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 28.26s Tiempo de respuesta (total) 649.90s Tiempo de respuesta (máximo) 151.76s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.5 Programación : 10.0 Combinado : 8.2 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 2.8
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.9 Tasa de aciertos por intento 75.4% Pruebas inestables 5 Tokens de entrada 277,967 Tokens de salida 9,240 Tokens de razonamiento 383,606 Tiempo de respuesta (promedio) 28.15s Tiempo de respuesta (total) 647.40s Tiempo de respuesta (máximo) 192.00s Respuesta incorrecta: 4 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.1 Programación : 10.0 Combinado : 8.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 1 Tokens de entrada 106,316 Tokens de salida 79,338 Tokens de razonamiento 41,089 Tiempo de respuesta (promedio) 28.08s Tiempo de respuesta (total) 421.15s Tiempo de respuesta (máximo) 140.96s Respuesta incorrecta: 4 Formato extra: 3 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 6.5 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.6 Tasa de aciertos por intento 73.9% Pruebas inestables 4 Tokens de entrada 266,849 Tokens de salida 8,284 Tokens de razonamiento 363,263 Tiempo de respuesta (promedio) 28.04s Tiempo de respuesta (total) 645.03s Tiempo de respuesta (máximo) 149.84s Respuesta incorrecta: 7 Error de API: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.3 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 87.0% Pruebas inestables 2 Tokens de entrada 319,095 Tokens de salida 10,371 Tokens de razonamiento 32,411 Tiempo de respuesta (promedio) 27.55s Tiempo de respuesta (total) 633.73s Tiempo de respuesta (máximo) 95.95s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 30.4% Pruebas inestables 4 Tokens de entrada 349,876 Tokens de salida 39,789 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 27.42s Tiempo de respuesta (total) 630.70s Tiempo de respuesta (máximo) 387.15s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Formato extra: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.4 Programación : 4.3 Combinado : 3.7 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.4 Seguimiento de instrucciones : 5.0 Resolución de acertijos : 3.2 Llamada de herramientas : 9.5 Cultura general : 3.0
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 81.2% Pruebas inestables 1 Tokens de entrada 276,512 Tokens de salida 8,152 Tokens de razonamiento 96,444 Tiempo de respuesta (promedio) 27.34s Tiempo de respuesta (total) 628.75s Tiempo de respuesta (máximo) 126.60s Respuesta incorrecta: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#56#56	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
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 305,707 Tokens de salida 10,240 Tokens de razonamiento 291,479 Tiempo de respuesta (promedio) 27.02s Tiempo de respuesta (total) 621.38s Tiempo de respuesta (máximo) 165.38s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 7.9 Llamada de herramientas : 9.8 Cultura general : 3.0
#100#100	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 6 Fiabilidad 9.6 Tasa de aciertos por intento 81.2% Pruebas inestables 4 Tokens de entrada 227,164 Tokens de salida 20,029 Tokens de razonamiento 60,991 Tiempo de respuesta (promedio) 26.88s Tiempo de respuesta (total) 591.34s Tiempo de respuesta (máximo) 102.40s Respuesta incorrecta: 3 Sin respuesta: 2 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#126#126	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
#205#205	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
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 30.4% Pruebas inestables 3 Tokens de entrada 241,357 Tokens de salida 64,021 Tokens de razonamiento 1 Tiempo de respuesta (promedio) 26.34s Tiempo de respuesta (total) 605.78s Tiempo de respuesta (máximo) 238.89s Respuesta incorrecta: 13 No siguió las instrucciones: 3 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 4.6 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 3 Fiabilidad 10.0 Tasa de aciertos por intento 89.9% Pruebas inestables 1 Tokens de entrada 290,117 Tokens de salida 9,805 Tokens de razonamiento 22,322 Tiempo de respuesta (promedio) 25.85s Tiempo de respuesta (total) 594.63s Tiempo de respuesta (máximo) 90.20s Respuesta incorrecta: 2 Sin respuesta: 1 Tareas de agentes : 10.0 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
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 88.4% Pruebas inestables 2 Tokens de entrada 308,056 Tokens de salida 9,434 Tokens de razonamiento 15,572 Tiempo de respuesta (promedio) 25.68s Tiempo de respuesta (total) 590.71s Tiempo de respuesta (máximo) 89.16s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 82.6% Pruebas inestables 0 Tokens de entrada 376,421 Tokens de salida 67,688 Tokens de razonamiento 37,974 Tiempo de respuesta (promedio) 25.31s Tiempo de respuesta (total) 582.11s Tiempo de respuesta (máximo) 159.01s Respuesta incorrecta: 2 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#59#59	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 81.2% Pruebas inestables 3 Tokens de entrada 262,495 Tokens de salida 7,787 Tokens de razonamiento 86,149 Tiempo de respuesta (promedio) 25.09s Tiempo de respuesta (total) 577.14s Tiempo de respuesta (máximo) 155.75s Respuesta incorrecta: 5 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.4 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 : 9.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 8 Tokens de entrada 98,508 Tokens de salida 8,088 Tokens de razonamiento 131,484 Tiempo de respuesta (promedio) 24.96s Tiempo de respuesta (total) 574.12s Tiempo de respuesta (máximo) 335.41s Respuesta incorrecta: 10 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 6.1 Combinado : 4.1 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#60#60	GPT-5.4medium	8.8	OpenAI	$2.213 ↑	24.81s
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 223,210 Tokens de salida 7,312 Tokens de razonamiento 89,190 Tiempo de respuesta (promedio) 24.81s Tiempo de respuesta (total) 570.60s Tiempo de respuesta (máximo) 100.41s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 8.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 75.4% Pruebas inestables 6 Tokens de entrada 278,792 Tokens de salida 1,695 Tokens de razonamiento 142,270 Tiempo de respuesta (promedio) 24.79s Tiempo de respuesta (total) 570.26s Tiempo de respuesta (máximo) 159.62s Respuesta incorrecta: 6 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 2 Tokens de entrada 21,045 Tokens de salida 63,460 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 24.56s Tiempo de respuesta (total) 368.35s Tiempo de respuesta (máximo) 78.74s Error de API: 7 Respuesta incorrecta: 4 Tareas de agentes : 0.0 Trucos anti-IA : 8.3 Programación : 5.3 Combinado : 5.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.9 Inteligencia general : 3.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.3 Llamada de herramientas : 2.8 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