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)
#276#276	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
#277#277	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.0 Tasa de aciertos por intento 37.7% Pruebas inestables 6 Tokens de entrada 319,668 Tokens de salida 32,069 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 17.51s Tiempo de respuesta (total) 402.66s Tiempo de respuesta (máximo) 132.84s Respuesta incorrecta: 12 Formato extra: 2 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 3.0 Programación : 3.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#278#278	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
Ver ficha del modelo Pruebas totales 19 Pruebas incorrectas 3 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 0 Tokens de entrada 69,576 Tokens de salida 6,265 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.02s Tiempo de respuesta (total) 57.44s Tiempo de respuesta (máximo) 18.27s Respuesta incorrecta: 3 Tareas de agentes : 0.0 Trucos anti-IA : 8.3 Programación : 3.3 Combinado : 4.8 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
#279#279	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 39.1% Pruebas inestables 0 Tokens de entrada 281,460 Tokens de salida 13,791 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 5.05s Tiempo de respuesta (total) 116.11s Tiempo de respuesta (máximo) 47.42s Respuesta incorrecta: 12 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.5 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 7.7 Inteligencia general : 4.2 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#280#280	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 8.9 Tasa de aciertos por intento 42.0% Pruebas inestables 4 Tokens de entrada 166,347 Tokens de salida 423,884 Tokens de razonamiento 1,394,387 Tiempo de respuesta (promedio) 140.39s Tiempo de respuesta (total) 3229.07s Tiempo de respuesta (máximo) 786.72s Respuesta incorrecta: 10 Formato extra: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 3.9 Trucos anti-IA : 8.4 Programación : 4.5 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#281#281	Hy4 previewlow	5.4	Tencent	$1.855 ↑	207.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 6.5 Tasa de aciertos por intento 21.7% Pruebas inestables 4 Tokens de entrada 162,180 Tokens de salida 5,030 Tokens de razonamiento 682,447 Tiempo de respuesta (promedio) 207.21s Tiempo de respuesta (total) 4765.91s Tiempo de respuesta (máximo) 597.45s Respuesta incorrecta: 13 Error de API: 5 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 6.0 Programación : 5.2 Combinado : 2.9 Análisis y extracción de datos : 8.7 Específico del dominio : 4.5 Inteligencia general : 7.5 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#282#282	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 30.4% Pruebas inestables 2 Tokens de entrada 276,697 Tokens de salida 75,728 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.20s Tiempo de respuesta (total) 142.63s Tiempo de respuesta (máximo) 62.57s Respuesta incorrecta: 15 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 3.7 Combinado : 3.7 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#283#283	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 3 Tokens de entrada 139,086 Tokens de salida 193,584 Tokens de razonamiento 413,546 Tiempo de respuesta (promedio) 190.48s Tiempo de respuesta (total) 3238.23s Tiempo de respuesta (máximo) 1597.85s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 2.8 Trucos anti-IA : 10.0 Programación : 2.4 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#284#284	Ember-1none	5.4	Fireworks	$0.786	22.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 8.8 Tasa de aciertos por intento 43.5% Pruebas inestables 4 Tokens de entrada 202,617 Tokens de salida 11,832 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 22.65s Tiempo de respuesta (total) 520.91s Tiempo de respuesta (máximo) 93.12s Respuesta incorrecta: 10 Error de API: 5 Tareas de agentes : 6.1 Trucos anti-IA : 5.2 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.4 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#285#285	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 0 Tokens de entrada 27,030 Tokens de salida 73,544 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 16.28s Tiempo de respuesta (total) 293.12s Tiempo de respuesta (máximo) 46.04s Error de API: 3 Respuesta incorrecta: 3 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 5.3 Combinado : 5.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#286#286	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 34.8% Pruebas inestables 3 Tokens de entrada 230,744 Tokens de salida 8,000 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.78s Tiempo de respuesta (total) 86.83s Tiempo de respuesta (máximo) 53.77s Respuesta incorrecta: 15 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 4.8 Programación : 3.8 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 7.1 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#287#287	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.2 Tasa de aciertos por intento 33.3% Pruebas inestables 1 Tokens de entrada 332,917 Tokens de salida 18,989 Tokens de razonamiento 42,362 Tiempo de respuesta (promedio) 58.20s Tiempo de respuesta (total) 1338.65s Tiempo de respuesta (máximo) 566.80s Respuesta incorrecta: 11 Tiempo agotado: 3 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.3 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 : 3.0 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#288#288	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 4 Tokens de entrada 275,349 Tokens de salida 49,389 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 35.86s Tiempo de respuesta (total) 609.61s Tiempo de respuesta (máximo) 321.19s Respuesta incorrecta: 17 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.6 Programación : 5.5 Combinado : 2.8 Análisis y extracción de datos : 7.3 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#289#289	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 53.6% Pruebas inestables 2 Tokens de entrada 106,348 Tokens de salida 19,257 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.82s Tiempo de respuesta (total) 172.04s Tiempo de respuesta (máximo) 102.62s Respuesta incorrecta: 11 Tareas de agentes : 0.0 Trucos anti-IA : 5.2 Programación : 3.8 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#290#290	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 3 Tokens de entrada 270,072 Tokens de salida 23,173 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.56s Tiempo de respuesta (total) 104.80s Tiempo de respuesta (máximo) 70.79s Respuesta incorrecta: 14 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tiempo agotado: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.3 Programación : 4.3 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 3.8 Resolución de acertijos : 3.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#291#291	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 10.0 Tasa de aciertos por intento 29.0% Pruebas inestables 6 Tokens de entrada 272,479 Tokens de salida 63,781 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 8.43s Tiempo de respuesta (total) 176.93s Tiempo de respuesta (máximo) 65.61s Respuesta incorrecta: 13 Error de API: 2 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.2 Trucos anti-IA : 3.6 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 3.2 Llamada de herramientas : 3.0 Cultura general : 3.0
#292#292	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 4 Tokens de entrada 81,447 Tokens de salida 2,715 Tokens de razonamiento 11,971 Tiempo de respuesta (promedio) 1.99s Tiempo de respuesta (total) 45.67s Tiempo de respuesta (máximo) 5.82s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Error de API: 1 Tareas de agentes : 3.0 Trucos anti-IA : 9.2 Programación : 4.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.3 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#293#293	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 123,993 Tokens de salida 12,777 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.40s Tiempo de respuesta (total) 74.77s Tiempo de respuesta (máximo) 17.51s Respuesta incorrecta: 13 Error de API: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 4.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#294#294	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.117 ↕	77.08s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.6 Tasa de aciertos por intento 47.8% Pruebas inestables 12 Tokens de entrada 170,517 Tokens de salida 149,968 Tokens de razonamiento 509,725 Tiempo de respuesta (promedio) 77.08s Tiempo de respuesta (total) 1772.78s Tiempo de respuesta (máximo) 490.99s Respuesta incorrecta: 11 No siguió las instrucciones: 4 Formato extra: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 3.5 Trucos anti-IA : 5.5 Programación : 4.4 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 3.7 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#295#295	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 9.8 Tasa de aciertos por intento 40.6% Pruebas inestables 5 Tokens de entrada 50,423 Tokens de salida 4,144 Tokens de razonamiento 110,510 Tiempo de respuesta (promedio) 15.23s Tiempo de respuesta (total) 350.26s Tiempo de respuesta (máximo) 118.35s Respuesta incorrecta: 9 Error de API: 4 Formato extra: 3 Tareas de agentes : 3.0 Trucos anti-IA : 6.9 Programación : 4.3 Combinado : 6.5 Análisis y extracción de datos : 6.5 Específico del dominio : 3.0 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#296#296	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 9 Fiabilidad 9.6 Tasa de aciertos por intento 66.7% Pruebas inestables 5 Tokens de entrada 40,961 Tokens de salida 2,518 Tokens de razonamiento 81,801 Tiempo de respuesta (promedio) 22.16s Tiempo de respuesta (total) 443.22s Tiempo de respuesta (máximo) 136.29s Respuesta incorrecta: 5 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 6.0 Combinado : 2.3 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 6.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#297#297	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 3 Tokens de entrada 40,111 Tokens de salida 12,476 Tokens de razonamiento 125,039 Tiempo de respuesta (promedio) 20.11s Tiempo de respuesta (total) 301.59s Tiempo de respuesta (máximo) 96.01s Respuesta incorrecta: 5 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 8.1 Programación : 6.0 Combinado : 4.9 Análisis y extracción de datos : 6.5 Específico del dominio : 5.9 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#298#298	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 9.7 Tasa de aciertos por intento 42.0% Pruebas inestables 8 Tokens de entrada 321,955 Tokens de salida 41,555 Tokens de razonamiento 94,946 Tiempo de respuesta (promedio) 12.68s Tiempo de respuesta (total) 291.66s Tiempo de respuesta (máximo) 59.15s Respuesta incorrecta: 14 No siguió las instrucciones: 2 Error de API: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 5.6 Programación : 4.4 Combinado : 3.0 Análisis y extracción de datos : 7.3 Específico del dominio : 5.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 3.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#299#299	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 24.6% Pruebas inestables 1 Tokens de entrada 265,602 Tokens de salida 10,913 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 3.12s Tiempo de respuesta (total) 71.87s Tiempo de respuesta (máximo) 45.46s Respuesta incorrecta: 17 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.4 Programación : 3.7 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#300#300	Mercury 2.5low	5.1	Inception	$0.020	3.34s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 17 Fiabilidad 9.8 Tasa de aciertos por intento 37.7% Pruebas inestables 5 Tokens de entrada 326,083 Tokens de salida 7,224 Tokens de razonamiento 33,078 Tiempo de respuesta (promedio) 3.34s Tiempo de respuesta (total) 76.80s Tiempo de respuesta (máximo) 47.06s Respuesta incorrecta: 14 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 6.5 Específico del dominio : 3.6 Inteligencia general : 4.4 Seguimiento de instrucciones : 2.9 Resolución de acertijos : 5.9 Llamada de herramientas : 9.8 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