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)
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 3 Tokens de entrada 212,780 Tokens de salida 6,849 Tokens de razonamiento 41,137 Tiempo de respuesta (promedio) 9.64s Tiempo de respuesta (total) 221.62s Tiempo de respuesta (máximo) 58.09s Respuesta incorrecta: 9 Llamada de herramienta no válida: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.3 Programación : 5.4 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#149#149	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 5 Tokens de entrada 258,760 Tokens de salida 22,221 Tokens de razonamiento 630,059 Tiempo de respuesta (promedio) 45.45s Tiempo de respuesta (total) 1045.45s Tiempo de respuesta (máximo) 578.13s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 5.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
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 231,356 Tokens de salida 43,054 Tokens de razonamiento 370,981 Tiempo de respuesta (promedio) 88.15s Tiempo de respuesta (total) 2027.36s Tiempo de respuesta (máximo) 438.65s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 7.3 Combinado : 9.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 6.5 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#152#152	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
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 235,914 Tokens de salida 8,147 Tokens de razonamiento 89,581 Tiempo de respuesta (promedio) 14.94s Tiempo de respuesta (total) 343.65s Tiempo de respuesta (máximo) 91.16s Respuesta incorrecta: 8 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.2 Programación : 8.2 Combinado : 3.0 Análisis y extracción de datos : 7.3 Específico del dominio : 3.6 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#158#158	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
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 225,013 Tokens de salida 12,197 Tokens de razonamiento 87,143 Tiempo de respuesta (promedio) 29.11s Tiempo de respuesta (total) 669.54s Tiempo de respuesta (máximo) 163.41s Respuesta incorrecta: 4 Formato extra: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.3 Programación : 8.2 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
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 293,775 Tokens de salida 13,527 Tokens de razonamiento 396,291 Tiempo de respuesta (promedio) 45.48s Tiempo de respuesta (total) 1045.97s Tiempo de respuesta (máximo) 431.47s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#180#180	GPT-5.2 Chatdefault	7.0	OpenAI	$0.594	7.43s
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 101,104 Tokens de salida 10,414 Tokens de razonamiento 19,328 Tiempo de respuesta (promedio) 7.43s Tiempo de respuesta (total) 163.35s Tiempo de respuesta (máximo) 38.52s Respuesta incorrecta: 6 Error de API: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 8.8 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#184#184	Ember-1low	7.0	Fireworks	$1.488	34.90s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 8.8 Tasa de aciertos por intento 65.2% Pruebas inestables 5 Tokens de entrada 211,908 Tokens de salida 14,158 Tokens de razonamiento 42,608 Tiempo de respuesta (promedio) 34.90s Tiempo de respuesta (total) 802.79s Tiempo de respuesta (máximo) 121.29s Error de API: 6 Respuesta incorrecta: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 10.0 Combinado : 6.5 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#190#190	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 2 Tokens de entrada 228,023 Tokens de salida 10,779 Tokens de razonamiento 53,188 Tiempo de respuesta (promedio) 6.27s Tiempo de respuesta (total) 144.10s Tiempo de respuesta (máximo) 47.78s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 9.1 Programación : 5.5 Combinado : 7.2 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#195#195	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 2 Tokens de entrada 345,059 Tokens de salida 24,343 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.54s Tiempo de respuesta (total) 173.31s Tiempo de respuesta (máximo) 65.07s Respuesta incorrecta: 5 Formato extra: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 9.8 Análisis y extracción de datos : 7.3 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 : 3.0
#200#200	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
#204#204	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
#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
#210#210	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
#215#215	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
#233#233	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 3 Tokens de entrada 233,893 Tokens de salida 12,432 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.05s Tiempo de respuesta (total) 102.89s Tiempo de respuesta (máximo) 57.84s Respuesta incorrecta: 9 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#240#240	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
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 230,004 Tokens de salida 18,040 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.67s Tiempo de respuesta (total) 107.45s Tiempo de respuesta (máximo) 49.23s Respuesta incorrecta: 7 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.5 Programación : 5.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#249#249	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 2 Tokens de entrada 312,368 Tokens de salida 9,429 Tokens de razonamiento 416,147 Tiempo de respuesta (promedio) 19.02s Tiempo de respuesta (total) 437.38s Tiempo de respuesta (máximo) 318.02s Respuesta incorrecta: 9 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.3 Programación : 5.5 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#366#366	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 4 Tokens de entrada 29,134 Tokens de salida 1,984 Tokens de razonamiento 1,355,583 Tiempo de respuesta (promedio) 61.96s Tiempo de respuesta (total) 1115.31s Tiempo de respuesta (máximo) 149.23s Respuesta incorrecta: 4 No siguió las instrucciones: 3 Sin respuesta: 1 Tareas de agentes : 0.0 Trucos anti-IA : 8.7 Programación : 3.3 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 5.7 Llamada de herramientas : 10.0 Cultura general : 0.0
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 1 Tokens de entrada 123,273 Tokens de salida 19,362 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.67s Tiempo de respuesta (total) 122.78s Tiempo de respuesta (máximo) 51.18s Respuesta incorrecta: 5 Formato extra: 4 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 9.8 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 6.1 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#312#312	GLM 5V Turbomedium	5.5	Z.ai	$0.457	23.08s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 6 Tokens de entrada 44,615 Tokens de salida 2,347 Tokens de razonamiento 98,415 Tiempo de respuesta (promedio) 23.08s Tiempo de respuesta (total) 484.63s Tiempo de respuesta (máximo) 95.88s Respuesta incorrecta: 7 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 7.2 Programación : 6.0 Combinado : 3.4 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 : 7.0 Cultura general : 3.0
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 2 Tokens de entrada 25,987 Tokens de salida 216,719 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 56.57s Tiempo de respuesta (total) 848.59s Tiempo de respuesta (máximo) 149.94s Error de API: 7 Respuesta incorrecta: 3 Tareas de agentes : 0.0 Trucos anti-IA : 6.4 Programación : 5.3 Combinado : 5.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 3.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#121#121	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
#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
#137#137	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