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: 2026-10-03 Modelos evaluados: 391

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

391/391

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#226#226	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 6 Tokens de entrada 347,980 Tokens de salida 121,898 Tokens de razonamiento 720,302 Tiempo de respuesta (promedio) 95.16s Tiempo de respuesta (total) 2188.74s Tiempo de respuesta (máximo) 540.96s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Error de API: 2 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.3 Programación : 5.3 Combinado : 5.2 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 4.4 Resolución de acertijos : 6.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#227#227	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.018 ↓	38.64s
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 403,455 Tokens de salida 115,591 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 38.64s Tiempo de respuesta (total) 888.69s Tiempo de respuesta (máximo) 247.27s Respuesta incorrecta: 13 Formato extra: 2 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.0 Programación : 4.2 Combinado : 4.6 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.2 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#228#228	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 5 Tokens de entrada 392,127 Tokens de salida 7,754 Tokens de razonamiento 294,333 Tiempo de respuesta (promedio) 36.73s Tiempo de respuesta (total) 844.68s Tiempo de respuesta (máximo) 199.66s Respuesta incorrecta: 7 Formato extra: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 6.3 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.9 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#229#229	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 8 Tokens de entrada 363,310 Tokens de salida 381,919 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 60.03s Tiempo de respuesta (total) 1380.67s Tiempo de respuesta (máximo) 459.99s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 6.4 Programación : 6.6 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 5.6 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#230#230	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 8 Tokens de entrada 87,916 Tokens de salida 7,213 Tokens de razonamiento 132,162 Tiempo de respuesta (promedio) 23.94s Tiempo de respuesta (total) 550.52s Tiempo de respuesta (máximo) 257.00s Respuesta incorrecta: 9 Error de API: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 7.8 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#231#231	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 4 Tokens de entrada 35,593 Tokens de salida 12,245 Tokens de razonamiento 62,277 Tiempo de respuesta (promedio) 23.00s Tiempo de respuesta (total) 482.97s Tiempo de respuesta (máximo) 194.23s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#232#232	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.057 ↑	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
#233#233	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 1 Tokens de entrada 261,962 Tokens de salida 15,760 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.60s Tiempo de respuesta (total) 82.91s Tiempo de respuesta (máximo) 48.59s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.5 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#234#234	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 3 Tokens de entrada 209,116 Tokens de salida 10,031 Tokens de razonamiento 16,042 Tiempo de respuesta (promedio) 11.40s Tiempo de respuesta (total) 262.14s Tiempo de respuesta (máximo) 34.77s Formato extra: 4 Respuesta incorrecta: 4 No siguió las instrucciones: 3 Error de API: 1 Tareas de agentes : 2.8 Trucos anti-IA : 6.5 Programación : 3.4 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#235#235	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 4 Tokens de entrada 246,061 Tokens de salida 153,595 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.13s Tiempo de respuesta (total) 268.55s Tiempo de respuesta (máximo) 85.26s Error de API: 4 Respuesta incorrecta: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 2.8 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 2.8
#236#236	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 7 Tokens de entrada 319,352 Tokens de salida 158,447 Tokens de razonamiento 875,524 Tiempo de respuesta (promedio) 84.01s Tiempo de respuesta (total) 1932.24s Tiempo de respuesta (máximo) 525.14s Respuesta incorrecta: 9 No siguió las instrucciones: 4 Llamada de herramienta no válida: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.8 Programación : 7.5 Combinado : 2.9 Análisis y extracción de datos : 6.3 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 4.4 Resolución de acertijos : 5.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#237#237	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 6 Tokens de entrada 321,894 Tokens de salida 139,334 Tokens de razonamiento 369,481 Tiempo de respuesta (promedio) 33.68s Tiempo de respuesta (total) 774.73s Tiempo de respuesta (máximo) 163.05s Respuesta incorrecta: 9 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.7 Programación : 5.1 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#238#238	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 31.9% Pruebas inestables 1 Tokens de entrada 236,599 Tokens de salida 16,536 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 5.30s Tiempo de respuesta (total) 121.91s Tiempo de respuesta (máximo) 48.02s Respuesta incorrecta: 13 Formato extra: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 4.8 Programación : 4.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 5.6 Llamada de herramientas : 3.0 Cultura general : 3.0
#239#239	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 9.8 Tasa de aciertos por intento 44.9% Pruebas inestables 5 Tokens de entrada 299,984 Tokens de salida 69,664 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 18.49s Tiempo de respuesta (total) 425.33s Tiempo de respuesta (máximo) 206.05s Respuesta incorrecta: 12 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 3.9 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 6.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#240#240	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 8.9 Tasa de aciertos por intento 37.7% Pruebas inestables 1 Tokens de entrada 259,708 Tokens de salida 16,567 Tokens de razonamiento 33,580 Tiempo de respuesta (promedio) 50.47s Tiempo de respuesta (total) 1160.91s Tiempo de respuesta (máximo) 557.96s Respuesta incorrecta: 9 Tiempo agotado: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.4 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 3.8 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#241#241	KAT-Coder-Pro V2.5none	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 139,572 Tokens de razonamiento 0 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
#242#242	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 9.9 Tasa de aciertos por intento 68.1% Pruebas inestables 9 Tokens de entrada 293,112 Tokens de salida 152,376 Tokens de razonamiento 357,890 Tiempo de respuesta (promedio) 32.68s Tiempo de respuesta (total) 751.72s Tiempo de respuesta (máximo) 115.57s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 3.4 Trucos anti-IA : 10.0 Programación : 4.3 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 5.1 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#243#243	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
#244#244	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 9 Tokens de entrada 277,028 Tokens de salida 11,965 Tokens de razonamiento 31,238 Tiempo de respuesta (promedio) 9.69s Tiempo de respuesta (total) 222.83s Tiempo de respuesta (máximo) 77.99s Respuesta incorrecta: 10 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#245#245	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 43.5% Pruebas inestables 2 Tokens de entrada 278,866 Tokens de salida 82,069 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.66s Tiempo de respuesta (total) 222.07s Tiempo de respuesta (máximo) 106.86s Respuesta incorrecta: 10 Formato extra: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.5 Programación : 5.6 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#246#246	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 3 Tokens de entrada 100,255 Tokens de salida 6,422 Tokens de razonamiento 49,847 Tiempo de respuesta (promedio) 6.03s Tiempo de respuesta (total) 138.65s Tiempo de respuesta (máximo) 17.26s Respuesta incorrecta: 6 No siguió las instrucciones: 4 Llamada de herramienta no válida: 2 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.3 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 5.8 Llamada de herramientas : 3.0 Cultura general : 3.0
#247#247	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 39.1% Pruebas inestables 3 Tokens de entrada 314,113 Tokens de salida 17,558 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.49s Tiempo de respuesta (total) 172.19s Tiempo de respuesta (máximo) 75.99s Respuesta incorrecta: 14 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.0 Programación : 5.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#248#248	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 3 Tokens de entrada 238,785 Tokens de salida 12,875 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.95s Tiempo de respuesta (total) 90.76s Tiempo de respuesta (máximo) 50.03s Respuesta incorrecta: 9 No siguió las instrucciones: 3 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#249#249	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
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 285,293 Tokens de salida 29,565 Tokens de razonamiento 89,266 Tiempo de respuesta (promedio) 31.58s Tiempo de respuesta (total) 536.78s Tiempo de respuesta (máximo) 203.90s Respuesta incorrecta: 10 No siguió las instrucciones: 3 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.7 Programación : 5.9 Combinado : 6.5 Análisis y extracción de datos : 6.4 Específico del dominio : 2.9 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.3 Llamada de herramientas : 9.8 Cultura general : 3.0
#250#250	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 9.9 Tasa de aciertos por intento 47.8% Pruebas inestables 4 Tokens de entrada 202,069 Tokens de salida 11,961 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.58s Tiempo de respuesta (total) 82.24s Tiempo de respuesta (máximo) 43.82s Respuesta incorrecta: 12 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.5 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.3 Llamada de herramientas : 10.0 Cultura general : 3.0

←

1 9 10 11 16

→

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