AI BENCHY

Leaderboard de Benchmark de IA

Sigue los mejores modelos de IA SOTA con el leaderboard de AI BENCHY: una forma fácil de ver qué modelos lideran ahora en puntuación, calidad de razonamiento, fiabilidad y valor. Ordenar por: Pruebas correctas ↓.

Benchmarks generados a partir de los suites de prueba de AI BENCHY en: 2026-03-06 Modelos evaluados: 55

Buscar 0/0

Rango	Modelo	Empresa	Puntuación	Costo por resultado	Costo total	Tiempo de respuesta (promedio)
🥇 #1	Gemini 3 Flash Previewmedium	Google	10.0	1.025	$0.164	12.36s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 0 Tasa de aciertos por intento: 100.0% Pruebas inestables: 0 Tokens de salida: 1,634 Tokens de razonamiento: 47,907 Tiempo de respuesta: promedio 12.36s · total 111.21s · máximo 50.16s Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
🥈 #2	Gemini 3.1 Pro Previewmedium	Google	9.4	3.417	$0.513	16.60s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 1 Tasa de aciertos por intento: 93.8% Pruebas inestables: 0 Tokens de salida: 1,521 Tokens de razonamiento: 35,656 Tiempo de respuesta: promedio 16.60s · total 149.36s · máximo 40.61s Respuesta incorrecta: 1 Anti-AI Tricks: 10.0 Combined: 9.0 Data parsing and extraction: 9.9 Domain specific: 7.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
🥉 #3	Qwen3.5 Plus 2026-02-15medium	Qwen	8.3	1.264	$0.165	34.45s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 3 Tasa de aciertos por intento: 85.4% Pruebas inestables: 1 Tokens de salida: 1,735 Tokens de razonamiento: 77,212 Tiempo de respuesta: promedio 34.45s · total 310.09s · máximo 79.86s Tiempo agotado: 2 Respuesta incorrecta: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#4	Gemini 3 Flash Previewlow	Google	8.2	0.607	$0.079	6.11s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 3 Tasa de aciertos por intento: 83.3% Pruebas inestables: 1 Tokens de salida: 1,586 Tokens de razonamiento: 19,950 Tiempo de respuesta: promedio 6.11s · total 97.74s · máximo 14.72s Respuesta incorrecta: 3 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 9.5 Puzzle Solving: 10.0 Tool Calling: 10.0
#5	Gemini 3 Pro Previewmedium	Google	8.2	1.477	$0.192	7.15s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 3 Tasa de aciertos por intento: 81.3% Pruebas inestables: 0 Tokens de salida: 1,502 Tokens de razonamiento: 9,706 Tiempo de respuesta: promedio 7.15s · total 64.34s · máximo 11.96s Respuesta incorrecta: 3 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 9.5 Puzzle Solving: 10.0 Tool Calling: 10.0
#6	GPT-5.3-Codexmedium	OpenAI	8.4	4.485	$0.539	16.59s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 4 Tasa de aciertos por intento: 83.3% Pruebas inestables: 2 Tokens de salida: 1,764 Tokens de razonamiento: 33,348 Tiempo de respuesta: promedio 16.59s · total 265.39s · máximo 100.93s No siguió las instrucciones: 2 Respuesta incorrecta: 2 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 4.0 Instructions following: 10.0 Puzzle Solving: 9.3 Tool Calling: 10.0
#7	Qwen3.5-27Bmedium	Qwen	8.2	3.585	$0.431	52.13s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 4 Tasa de aciertos por intento: 81.3% Pruebas inestables: 2 Tokens de salida: 1,658 Tokens de razonamiento: 200,786 Tiempo de respuesta: promedio 52.13s · total 834.16s · máximo 163.96s No siguió las instrucciones: 2 Tiempo agotado: 1 Respuesta incorrecta: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 5.0 Instructions following: 10.0 Puzzle Solving: 8.3 Tool Calling: 10.0
#8	Gemini 3.1 Flash Lite Previewhigh	Google	8.2	19.243	$2.310	68.83s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 4 Tasa de aciertos por intento: 77.1% Pruebas inestables: 1 Tokens de salida: 1,283 Tokens de razonamiento: 1,533,310 Tiempo de respuesta: promedio 68.83s · total 1101.32s · máximo 280.52s Respuesta incorrecta: 3 No siguió las instrucciones: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 9.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#9	GPT-5.4medium	OpenAI	8.0	6.601	$0.793	20.05s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 4 Tasa de aciertos por intento: 83.3% Pruebas inestables: 3 Tokens de salida: 1,756 Tokens de razonamiento: 46,642 Tiempo de respuesta: promedio 20.05s · total 320.87s · máximo 100.41s No siguió las instrucciones: 2 Respuesta incorrecta: 2 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 5.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#10	Qwen3.5-122B-A10Bmedium	Qwen	7.7	4.095	$0.492	29.74s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 4 Tasa de aciertos por intento: 79.2% Pruebas inestables: 2 Tokens de salida: 17,292 Tokens de razonamiento: 145,625 Tiempo de respuesta: promedio 29.74s · total 475.83s · máximo 119.29s Respuesta incorrecta: 3 Tiempo agotado: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#11	Claude Sonnet 4.6medium	Anthropic	7.7	8.525	$1.023	11.23s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 4 Tasa de aciertos por intento: 77.1% Pruebas inestables: 1 Tokens de salida: 35,159 Tokens de razonamiento: 24,687 Tiempo de respuesta: promedio 11.23s · total 89.84s · máximo 46.35s Formato extra: 2 Tiempo agotado: 1 Respuesta incorrecta: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#12	Gemini 3.1 Flash Lite Previewmedium	Google	7.5	0.443	$0.049	3.83s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 68.8% Pruebas inestables: 0 Tokens de salida: 1,731 Tokens de razonamiento: 25,821 Tiempo de respuesta: promedio 3.83s · total 61.25s · máximo 14.93s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Anti-AI Tricks: 9.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#13	GLM 5medium	Z.ai	7.4	0.933	$0.103	16.16s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 83.3% Pruebas inestables: 4 Tokens de salida: 19,773 Tokens de razonamiento: 36,459 Tiempo de respuesta: promedio 16.16s · total 129.26s · máximo 28.96s Respuesta incorrecta: 2 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 5.0 Domain specific: 10.0 General Intelligence: 5.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#14	GPT-5.2 Chatnone	OpenAI	7.4	2.440	$0.269	7.03s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 75.0% Pruebas inestables: 2 Tokens de salida: 15,845 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 7.03s · total 112.51s · máximo 38.52s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 4.0 Instructions following: 6.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#15	Gemini 2.5 Flashmedium	Google	7.4	2.619	$0.288	12.35s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 72.9% Pruebas inestables: 1 Tokens de salida: 1,370 Tokens de razonamiento: 110,522 Tiempo de respuesta: promedio 12.35s · total 197.62s · máximo 95.48s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Anti-AI Tricks: 7.3 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 4.0 Instructions following: 9.5 Puzzle Solving: 7.0 Tool Calling: 10.0
#16	Gemini 3.1 Flash Lite Previewlow	Google	7.3	0.177	$0.020	3.36s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 68.8% Pruebas inestables: 0 Tokens de salida: 1,611 Tokens de razonamiento: 7,272 Tiempo de respuesta: promedio 3.36s · total 53.84s · máximo 11.91s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#17	DeepSeek V3.2medium	DeepSeek	7.3	0.225	$0.025	39.48s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 79.2% Pruebas inestables: 3 Tokens de salida: 7,392 Tokens de razonamiento: 39,089 Tiempo de respuesta: promedio 39.48s · total 631.71s · máximo 93.11s Respuesta incorrecta: 3 No siguió las instrucciones: 1 Tiempo agotado: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#18	Gemini 3 Flash Previewnone	Google	7.2	0.169	$0.019	1.75s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 75.0% Pruebas inestables: 2 Tokens de salida: 1,411 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 1.75s · total 15.71s · máximo 3.56s Respuesta incorrecta: 5 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 7.0 General Intelligence: 10.0 Instructions following: 5.5 Puzzle Solving: 7.0 Tool Calling: 10.0
#19	MiMo-V2-Flashmedium	Xiaomi	7.2	0.316	$0.035	25.33s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 5 Tasa de aciertos por intento: 72.9% Pruebas inestables: 1 Tokens de salida: 11,613 Tokens de razonamiento: 106,714 Tiempo de respuesta: promedio 25.33s · total 253.33s · máximo 96.01s Respuesta incorrecta: 3 Error de API: 1 No siguió las instrucciones: 1 Anti-AI Tricks: 9.7 Combined: 9.0 Data parsing and extraction: 5.5 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#20	Step 3.5 Flashmedium	Stepfun	7.4	0.000	$0.000	29.10s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 68.8% Pruebas inestables: 2 Tokens de salida: 71,452 Tokens de razonamiento: 155,147 Tiempo de respuesta: promedio 29.10s · total 290.96s · máximo 170.45s No siguió las instrucciones: 3 Respuesta incorrecta: 3 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 10.0 Domain specific: 4.0 General Intelligence: 6.0 Instructions following: 9.0 Puzzle Solving: 4.0 Tool Calling: 10.0
#21	GPT-5.3 Chatnone	OpenAI	7.3	3.163	$0.317	5.96s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 70.8% Pruebas inestables: 3 Tokens de salida: 19,272 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 5.96s · total 95.30s · máximo 18.33s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Anti-AI Tricks: 7.3 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 4.0 Instructions following: 9.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#22	Gemini 3.1 Flash Lite Previewnone	Google	7.1	0.144	$0.015	1.33s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 66.7% Pruebas inestables: 1 Tokens de salida: 4,715 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 1.33s · total 21.27s · máximo 3.39s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Anti-AI Tricks: 6.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 10.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#23	Seed-2.0-Minimedium	Bytedance Seed	6.9	0.280	$0.028	65.09s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 68.8% Pruebas inestables: 2 Tokens de salida: 1,965 Tokens de razonamiento: 58,456 Tiempo de respuesta: promedio 65.09s · total 846.14s · máximo 262.83s Tiempo agotado: 4 No siguió las instrucciones: 1 Respuesta incorrecta: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 6.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#24	Qwen3.5-Flashmedium	Qwen	6.9	0.720	$0.072	70.81s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 81.3% Pruebas inestables: 5 Tokens de salida: 1,807 Tokens de razonamiento: 169,952 Tiempo de respuesta: promedio 70.81s · total 1132.90s · máximo 234.29s Tiempo agotado: 3 Error de API: 1 No siguió las instrucciones: 1 Respuesta incorrecta: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 5.5 Domain specific: 4.0 General Intelligence: 5.0 Instructions following: 10.0 Puzzle Solving: 4.0 Tool Calling: 10.0
#25	Claude Sonnet 4.6none	Anthropic	6.8	2.504	$0.251	5.57s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 66.7% Pruebas inestables: 1 Tokens de salida: 6,895 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 5.57s · total 50.12s · máximo 23.84s Formato extra: 3 Respuesta incorrecta: 2 No siguió las instrucciones: 1 Anti-AI Tricks: 4.0 Combined: 9.0 Data parsing and extraction: 9.9 Domain specific: 7.0 General Intelligence: 5.0 Instructions following: 5.5 Puzzle Solving: 7.0 Tool Calling: 10.0
#26	Claude Opus 4.6medium	Anthropic	6.6	13.118	$1.312	22.86s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 66.7% Pruebas inestables: 2 Tokens de salida: 26,254 Tokens de razonamiento: 17,363 Tiempo de respuesta: promedio 22.86s · total 205.71s · máximo 83.40s Formato extra: 4 Respuesta incorrecta: 2 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#27	GPT-5.2medium	OpenAI	6.5	3.125	$0.313	15.33s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 6 Tasa de aciertos por intento: 75.0% Pruebas inestables: 4 Tokens de salida: 2,220 Tokens de razonamiento: 16,811 Tiempo de respuesta: promedio 15.33s · total 138.01s · máximo 77.80s No siguió las instrucciones: 3 Sin respuesta: 1 Tiempo agotado: 1 Respuesta incorrecta: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 9.5 Puzzle Solving: 7.0 Tool Calling: 10.0
#28	Kimi K2.5medium	Moonshot AI	6.4	2.171	$0.196	69.83s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 7 Tasa de aciertos por intento: 72.9% Pruebas inestables: 5 Tokens de salida: 38,453 Tokens de razonamiento: 72,496 Tiempo de respuesta: promedio 69.83s · total 628.45s · máximo 137.29s Respuesta incorrecta: 3 No siguió las instrucciones: 2 Sin respuesta: 1 Tiempo agotado: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 6.0 Instructions following: 10.0 Puzzle Solving: 4.0 Tool Calling: 10.0
#29	Qwen3.5 Plus 2026-02-15none	Qwen	6.2	0.172	$0.016	2.65s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 7 Tasa de aciertos por intento: 58.3% Pruebas inestables: 1 Tokens de salida: 2,015 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 2.65s · total 26.52s · máximo 6.65s Respuesta incorrecta: 7 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 4.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#30	Grok 4.1 Fastmedium	X AI	6.2	0.563	$0.051	26.35s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 7 Tasa de aciertos por intento: 66.7% Pruebas inestables: 4 Tokens de salida: 1,183 Tokens de razonamiento: 83,875 Tiempo de respuesta: promedio 26.35s · total 237.11s · máximo 121.79s No siguió las instrucciones: 3 Respuesta incorrecta: 2 Sin respuesta: 1 Tiempo agotado: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 5.5 Puzzle Solving: 4.0 Tool Calling: 10.0
#31	GLM 5none	Z.ai	6.0	0.200	$0.018	4.03s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 7 Tasa de aciertos por intento: 56.3% Pruebas inestables: 0 Tokens de salida: 1,548 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 4.03s · total 36.30s · máximo 11.07s Respuesta incorrecta: 7 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 7.0 Tool Calling: 10.0
#32	GPT-5 Minimedium	OpenAI	6.0	1.457	$0.117	25.14s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 8 Tasa de aciertos por intento: 58.3% Pruebas inestables: 2 Tokens de salida: 5,826 Tokens de razonamiento: 48,768 Tiempo de respuesta: promedio 25.14s · total 402.29s · máximo 88.15s No siguió las instrucciones: 4 Respuesta incorrecta: 3 Tiempo agotado: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 4.0 Instructions following: 7.5 Puzzle Solving: 4.3 Tool Calling: 10.0
#33	Qwen3.5-35B-A3Bmedium	Qwen	5.5	4.251	$0.341	43.93s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 8 Tasa de aciertos por intento: 77.1% Pruebas inestables: 7 Tokens de salida: 5,495 Tokens de razonamiento: 169,266 Tiempo de respuesta: promedio 43.93s · total 702.85s · máximo 106.00s Tiempo agotado: 4 Respuesta incorrecta: 2 Error de API: 1 Sin respuesta: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 5.5 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 4.0 Tool Calling: 10.0
#34	DeepSeek V3.2none	DeepSeek	5.5	0.220	$0.016	12.86s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 9 Tasa de aciertos por intento: 54.2% Pruebas inestables: 3 Tokens de salida: 7,823 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 12.86s · total 205.78s · máximo 115.89s Respuesta incorrecta: 6 Formato extra: 2 common.failureReasons.invalid_tool_call: 1 Anti-AI Tricks: 10.0 Combined: 8.0 Data parsing and extraction: 5.4 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 10.0 Puzzle Solving: 7.7 Tool Calling: 10.0
#35	GPT-5 Nanomedium	OpenAI	5.5	0.856	$0.060	47.94s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 9 Tasa de aciertos por intento: 60.4% Pruebas inestables: 6 Tokens de salida: 4,386 Tokens de razonamiento: 142,080 Tiempo de respuesta: promedio 47.94s · total 431.47s · máximo 204.02s Respuesta incorrecta: 5 No siguió las instrucciones: 3 Tiempo agotado: 1 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 10.0 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 9.0 Puzzle Solving: 4.0 Tool Calling: 10.0
#36	Mercury 2medium	Inception	5.3	0.631	$0.045	2.36s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 9 Tasa de aciertos por intento: 54.2% Pruebas inestables: 3 Tokens de salida: 3,708 Tokens de razonamiento: 45,921 Tiempo de respuesta: promedio 2.36s · total 35.39s · máximo 14.63s Respuesta incorrecta: 5 No siguió las instrucciones: 4 Anti-AI Tricks: 7.3 Combined: 10.0 Data parsing and extraction: 5.5 Domain specific: 10.0 General Intelligence: 4.0 Instructions following: 10.0 Puzzle Solving: 1.7 Tool Calling: 10.0
#37	Qwen3.5-Flashnone	Qwen	5.2	0.077	$0.006	3.54s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 9 Tasa de aciertos por intento: 45.8% Pruebas inestables: 1 Tokens de salida: 3,774 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 3.54s · total 56.70s · máximo 13.73s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Anti-AI Tricks: 2.3 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 7.0 General Intelligence: 10.0 Instructions following: 5.0 Puzzle Solving: 1.3 Tool Calling: 10.0
#38	gpt-oss-120bmedium	OpenAI	5.1	0.135	$0.010	16.65s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 9 Tasa de aciertos por intento: 54.2% Pruebas inestables: 5 Tokens de salida: 13,210 Tokens de razonamiento: 34,230 Tiempo de respuesta: promedio 16.65s · total 149.88s · máximo 50.92s Respuesta incorrecta: 5 No siguió las instrucciones: 4 Anti-AI Tricks: 7.0 Combined: 10.0 Data parsing and extraction: 5.5 Domain specific: 10.0 General Intelligence: 3.0 Instructions following: 9.5 Puzzle Solving: 1.7 Tool Calling: 9.0
#39	Gemini 2.5 Flashnone	Google	5.2	0.191	$0.012	923ms
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 10 Tasa de aciertos por intento: 43.8% Pruebas inestables: 2 Tokens de salida: 1,270 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 923ms · total 14.78s · máximo 4.39s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 5.0 Instructions following: 9.0 Puzzle Solving: 4.7 Tool Calling: 10.0
#40	Qwen3.5-122B-A10Bnone	Qwen	5.0	0.333	$0.020	3.72s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 10 Tasa de aciertos por intento: 39.6% Pruebas inestables: 1 Tokens de salida: 2,679 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 3.72s · total 59.46s · máximo 46.00s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 5.0 Instructions following: 4.5 Puzzle Solving: 4.0 Tool Calling: 10.0
#41	Qwen3.5-35B-A3Bnone	Qwen	4.7	0.237	$0.015	4.10s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 10 Tasa de aciertos por intento: 50.0% Pruebas inestables: 3 Tokens de salida: 3,756 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 4.10s · total 65.62s · máximo 47.43s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 7.0 General Intelligence: 6.0 Instructions following: 5.0 Puzzle Solving: 1.7 Tool Calling: 10.0
#42	GPT-5.4none	OpenAI	4.5	1.562	$0.094	1.48s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 10 Tasa de aciertos por intento: 41.7% Pruebas inestables: 2 Tokens de salida: 1,819 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 1.48s · total 23.64s · máximo 2.89s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 5.5 Puzzle Solving: 4.0 Tool Calling: 10.0
#43	Qwen3.5-27Bnone	Qwen	4.9	0.302	$0.016	1.75s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 11 Tasa de aciertos por intento: 37.5% Pruebas inestables: 2 Tokens de salida: 3,161 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 1.75s · total 28.05s · máximo 9.39s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 5.0 Instructions following: 4.5 Puzzle Solving: 6.3 Tool Calling: 10.0
#44	MiniMax M2.5medium	Minimax	4.7	4.981	$0.250	43.03s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 11 Tasa de aciertos por intento: 60.4% Pruebas inestables: 9 Tokens de salida: 107,044 Tokens de razonamiento: 206,190 Tiempo de respuesta: promedio 43.03s · total 387.25s · máximo 237.27s Respuesta incorrecta: 5 No siguió las instrucciones: 3 Tiempo agotado: 2 common.failureReasons.invalid_tool_call: 1 Anti-AI Tricks: 9.3 Combined: 10.0 Data parsing and extraction: 10.0 Domain specific: 10.0 General Intelligence: 3.0 Instructions following: 8.0 Puzzle Solving: 4.0 Tool Calling: 10.0
#45	Trinity Large Previewnone	Arcee AI	4.2	0.000	$0.000	3.15s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 11 Tasa de aciertos por intento: 33.3% Pruebas inestables: 1 Tokens de salida: 1,837 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 3.15s · total 50.46s · máximo 8.91s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 3.5 Puzzle Solving: 4.0 Tool Calling: 10.0
#46	Kimi K2.5none	Moonshot AI	4.1	0.295	$0.015	11.91s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 11 Tasa de aciertos por intento: 39.6% Pruebas inestables: 3 Tokens de salida: 2,000 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 11.91s · total 107.16s · máximo 42.13s Respuesta incorrecta: 11 Anti-AI Tricks: 2.7 Combined: 10.0 Data parsing and extraction: 5.4 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 5.5 Puzzle Solving: 10.0 Tool Calling: 10.0
#47	GPT-4o-mininone	OpenAI	4.0	0.114	$0.005	2.07s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 12 Tasa de aciertos por intento: 25.0% Pruebas inestables: 0 Tokens de salida: 1,594 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 2.07s · total 18.60s · máximo 7.58s Respuesta incorrecta: 11 No siguió las instrucciones: 1 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 10.0 General Intelligence: 3.0 Instructions following: 4.5 Puzzle Solving: 2.3 Tool Calling: 10.0
#48	Qwen3 Coder Nextnone	Qwen	4.0	0.174	$0.007	11.68s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 12 Tasa de aciertos por intento: 25.0% Pruebas inestables: 0 Tokens de salida: 3,026 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 11.68s · total 116.76s · máximo 45.14s Respuesta incorrecta: 10 Formato extra: 1 No siguió las instrucciones: 1 Anti-AI Tricks: 2.3 Combined: 10.0 Data parsing and extraction: 5.4 Domain specific: 4.0 General Intelligence: 10.0 Instructions following: 4.5 Puzzle Solving: 1.3 Tool Calling: 10.0
#49	GLM 4.7 Flashnone	Z.ai	3.9	0.066	$0.003	2.99s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 12 Tasa de aciertos por intento: 35.4% Pruebas inestables: 3 Tokens de salida: 1,855 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 2.99s · total 26.90s · máximo 7.05s Respuesta incorrecta: 9 No siguió las instrucciones: 2 common.failureReasons.invalid_tool_call: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 5.4 Domain specific: 7.0 General Intelligence: 3.0 Instructions following: 5.5 Puzzle Solving: 3.7 Tool Calling: 10.0
#50	Mercury 2none	Inception	3.4	0.153	$0.007	596ms
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 12 Tasa de aciertos por intento: 31.3% Pruebas inestables: 2 Tokens de salida: 1,303 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 596ms · total 9.54s · máximo 1.27s Respuesta incorrecta: 11 No siguió las instrucciones: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 5.5 Domain specific: 4.0 General Intelligence: 4.0 Instructions following: 5.5 Puzzle Solving: 10.0 Tool Calling: 10.0
#51	GLM 4.7 Flashmedium	Z.ai	3.1	1.040	$0.042	36.84s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 12 Tasa de aciertos por intento: 41.7% Pruebas inestables: 7 Tokens de salida: 38,682 Tokens de razonamiento: 64,952 Tiempo de respuesta: promedio 36.84s · total 331.58s · máximo 174.55s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Sin respuesta: 2 common.failureReasons.invalid_tool_call: 1 Anti-AI Tricks: 4.0 Combined: 10.0 Data parsing and extraction: 5.0 Domain specific: 10.0 General Intelligence: 10.0 Instructions following: 5.0 Puzzle Solving: 10.0 Tool Calling: 10.0
#52	Qwen3 Coder Nextmedium	Qwen	3.5	0.230	$0.007	12.53s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 13 Tasa de aciertos por intento: 27.1% Pruebas inestables: 2 Tokens de salida: 2,935 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 12.53s · total 125.32s · máximo 81.80s Respuesta incorrecta: 8 No siguió las instrucciones: 5 Anti-AI Tricks: 1.3 Combined: 10.0 Data parsing and extraction: 5.4 Domain specific: 4.0 General Intelligence: 6.0 Instructions following: 4.5 Puzzle Solving: 10.0 Tool Calling: 10.0
#53	Grok 4.1 Fastnone	X AI	2.9	0.247	$0.008	1.90s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 13 Tasa de aciertos por intento: 25.0% Pruebas inestables: 2 Tokens de salida: 1,148 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 1.90s · total 17.14s · máximo 5.51s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Anti-AI Tricks: 1.3 Combined: 10.0 Data parsing and extraction: 9.9 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 10.0 Puzzle Solving: 1.3 Tool Calling: 10.0
#54	MiMo-V2-Flashnone	Xiaomi	2.9	0.743	$0.023	2.97s
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 13 Tasa de aciertos por intento: 29.2% Pruebas inestables: 4 Tokens de salida: 67,790 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 2.97s · total 35.60s · máximo 19.68s Respuesta incorrecta: 10 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 10.0 Domain specific: 4.0 General Intelligence: 4.0 Instructions following: 5.5 Puzzle Solving: 10.0 Tool Calling: 10.0
#55	LFM2-24B-A2Bnone	Liquid	2.6	0.047	$0.001	811ms
Ver ficha del modelo Pruebas totales: 16 Pruebas incorrectas: 15 Tasa de aciertos por intento: 14.6% Pruebas inestables: 2 Tokens de salida: 1,185 Tokens de razonamiento: 0 Tiempo de respuesta: promedio 811ms · total 11.35s · máximo 2.88s Respuesta incorrecta: 9 Error de API: 4 No siguió las instrucciones: 2 Anti-AI Tricks: 10.0 Combined: 10.0 Data parsing and extraction: 10.0 Domain specific: 4.0 General Intelligence: 3.0 Instructions following: 4.5 Puzzle Solving: 3.3 Tool Calling: 10.0

Comparación rápida