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)
#126#126	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.309 ↑	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
#127#127	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 8.0 Tasa de aciertos por intento 65.2% Pruebas inestables 7 Tokens de entrada 244,499 Tokens de salida 8,744 Tokens de razonamiento 375,349 Tiempo de respuesta (promedio) 100.65s Tiempo de respuesta (total) 2314.88s Tiempo de respuesta (máximo) 626.58s Respuesta incorrecta: 6 Error de API: 4 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.9 Programación : 8.9 Combinado : 4.7 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 4.7 Cultura general : 3.0
#128#128	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
#129#129	Grok 4.7low	7.4	X AI	$1.933	63.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 73.9% Pruebas inestables 5 Tokens de entrada 365,119 Tokens de salida 8,118 Tokens de razonamiento 247,211 Tiempo de respuesta (promedio) 63.19s Tiempo de respuesta (total) 1453.28s Tiempo de respuesta (máximo) 389.63s Respuesta incorrecta: 6 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 8.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#130#130	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
#131#131	DeepSeek V4 Pro 0423none	7.4	DeepSeek	$0.083 ↓	14.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 49.3% Pruebas inestables 4 Tokens de entrada 304,186 Tokens de salida 46,004 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.05s Tiempo de respuesta (total) 323.17s Tiempo de respuesta (máximo) 119.44s Respuesta incorrecta: 9 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.2 Programación : 5.6 Combinado : 7.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#132#132	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 75.4% Pruebas inestables 5 Tokens de entrada 257,138 Tokens de salida 13,830 Tokens de razonamiento 55,775 Tiempo de respuesta (promedio) 16.98s Tiempo de respuesta (total) 390.45s Tiempo de respuesta (máximo) 85.12s Respuesta incorrecta: 5 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.7 Programación : 8.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 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
#133#133	Gemma 4 26B A4Bmedium	7.3	Google	$0.076 ↓	105.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 1 Tokens de entrada 224,367 Tokens de salida 27,095 Tokens de razonamiento 242,256 Tiempo de respuesta (promedio) 105.03s Tiempo de respuesta (total) 2310.63s Tiempo de respuesta (máximo) 912.19s Sin respuesta: 2 Tiempo agotado: 2 Respuesta incorrecta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 2.9 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#134#134	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
#135#135	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 78.3% Pruebas inestables 6 Tokens de entrada 157,142 Tokens de salida 8,149 Tokens de razonamiento 24,357 Tiempo de respuesta (promedio) 11.87s Tiempo de respuesta (total) 272.91s Tiempo de respuesta (máximo) 36.59s Respuesta incorrecta: 3 Sin respuesta: 2 Error de API: 1 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 7.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 2.8
#136#136	Grok 4.7medium	7.3	X AI	$2.938	117.65s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 9.8 Tasa de aciertos por intento 78.3% Pruebas inestables 5 Tokens de entrada 326,066 Tokens de salida 5,726 Tokens de razonamiento 469,019 Tiempo de respuesta (promedio) 117.65s Tiempo de respuesta (total) 2706.03s Tiempo de respuesta (máximo) 660.89s Respuesta incorrecta: 5 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.4 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#137#137	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 1 Tokens de entrada 132,507 Tokens de salida 12,739 Tokens de razonamiento 228,626 Tiempo de respuesta (promedio) 20.51s Tiempo de respuesta (total) 471.64s Tiempo de respuesta (máximo) 140.50s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 8.4 Programación : 7.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#138#138	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 4 Tokens de entrada 275,080 Tokens de salida 32,447 Tokens de razonamiento 372,188 Tiempo de respuesta (promedio) 151.67s Tiempo de respuesta (total) 3488.43s Tiempo de respuesta (máximo) 941.66s Respuesta incorrecta: 7 No siguió las instrucciones: 2 Sin respuesta: 2 Tiempo agotado: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.9 Programación : 7.8 Combinado : 10.0 Análisis y extracción de datos : 3.6 Específico del dominio : 3.6 Inteligencia general : 5.1 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#139#139	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 3 Tokens de entrada 222,601 Tokens de salida 8,185 Tokens de razonamiento 238,605 Tiempo de respuesta (promedio) 57.41s Tiempo de respuesta (total) 1263.02s Tiempo de respuesta (máximo) 307.08s Respuesta incorrecta: 6 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 6.1 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#140#140	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 76.8% Pruebas inestables 7 Tokens de entrada 388,307 Tokens de salida 10,412 Tokens de razonamiento 118,802 Tiempo de respuesta (promedio) 8.68s Tiempo de respuesta (total) 199.65s Tiempo de respuesta (máximo) 86.92s Respuesta incorrecta: 6 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 7.9 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 4.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 2.8
#141#141	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 47.8% Pruebas inestables 2 Tokens de entrada 283,977 Tokens de salida 36,422 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 9.98s Tiempo de respuesta (total) 229.52s Tiempo de respuesta (máximo) 124.53s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Tareas de agentes : 10.0 Trucos anti-IA : 4.8 Programación : 5.8 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 6.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#142#142	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 6 Tokens de entrada 249,486 Tokens de salida 14,481 Tokens de razonamiento 288,249 Tiempo de respuesta (promedio) 97.68s Tiempo de respuesta (total) 1562.81s Tiempo de respuesta (máximo) 304.85s Respuesta incorrecta: 6 Tiempo agotado: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.2 Programación : 6.6 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#143#143	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 2 Tokens de entrada 277,164 Tokens de salida 1,913 Tokens de razonamiento 168,783 Tiempo de respuesta (promedio) 40.09s Tiempo de respuesta (total) 881.89s Tiempo de respuesta (máximo) 214.63s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#144#144	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.9 Tasa de aciertos por intento 81.2% Pruebas inestables 5 Tokens de entrada 215,836 Tokens de salida 9,452 Tokens de razonamiento 33,289 Tiempo de respuesta (promedio) 7.54s Tiempo de respuesta (total) 173.36s Tiempo de respuesta (máximo) 67.18s Respuesta incorrecta: 6 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.8 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 10.0
#145#145	Claude Opus 4.8low	7.2	Anthropic	$3.787	17.13s
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 409,947 Tokens de salida 46,060 Tokens de razonamiento 23,429 Tiempo de respuesta (promedio) 17.13s Tiempo de respuesta (total) 394.01s Tiempo de respuesta (máximo) 127.97s Respuesta incorrecta: 5 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 6.6 Combinado : 9.9 Análisis y extracción de datos : 6.3 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#146#146	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
#147#147	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 3 Tokens de entrada 287,669 Tokens de salida 47,204 Tokens de razonamiento 375,030 Tiempo de respuesta (promedio) 144.88s Tiempo de respuesta (total) 3332.19s Tiempo de respuesta (máximo) 939.52s Respuesta incorrecta: 8 Error de API: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 7.3 Análisis y extracción de datos : 6.3 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 5.4 Llamada de herramientas : 10.0 Cultura general : 3.0
#148#148	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 76.8% Pruebas inestables 5 Tokens de entrada 212,440 Tokens de salida 22,922 Tokens de razonamiento 115,335 Tiempo de respuesta (promedio) 39.05s Tiempo de respuesta (total) 546.68s Tiempo de respuesta (máximo) 110.70s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 5.0 Análisis y extracción de datos : 7.1 Específico del dominio : 3.5 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#149#149	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
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 292,685 Tokens de salida 339,108 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 20.72s Tiempo de respuesta (total) 476.67s Tiempo de respuesta (máximo) 124.75s Respuesta incorrecta: 9 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 7.4 Trucos anti-IA : 8.7 Programación : 8.2 Combinado : 7.3 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#150#150	Qwen3.6 27Bmedium	7.2	Qwen	$1.006 ↑	107.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 7 Tokens de entrada 264,147 Tokens de salida 34,419 Tokens de razonamiento 253,480 Tiempo de respuesta (promedio) 107.79s Tiempo de respuesta (total) 2479.26s Tiempo de respuesta (máximo) 1085.11s Respuesta incorrecta: 5 Sin respuesta: 3 Llamada de herramienta no válida: 2 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 7.7 Combinado : 6.7 Análisis y extracción de datos : 3.5 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 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