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)
#151#151	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
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 396,120 Tokens de salida 31,386 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 10.78s Tiempo de respuesta (total) 247.96s Tiempo de respuesta (máximo) 79.61s Respuesta incorrecta: 7 Formato extra: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.4 Trucos anti-IA : 5.5 Programación : 5.9 Combinado : 8.3 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#152#152	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 8 Tokens de entrada 205,100 Tokens de salida 8,639 Tokens de razonamiento 21,409 Tiempo de respuesta (promedio) 7.37s Tiempo de respuesta (total) 169.54s Tiempo de respuesta (máximo) 74.39s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.3 Programación : 6.0 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#153#153	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
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 256,428 Tokens de salida 9,786 Tokens de razonamiento 575,630 Tiempo de respuesta (promedio) 54.57s Tiempo de respuesta (total) 1255.15s Tiempo de respuesta (máximo) 345.18s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Sin respuesta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 8.4 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 8.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#154#154	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 7 Tokens de entrada 259,664 Tokens de salida 8,414 Tokens de razonamiento 333,097 Tiempo de respuesta (promedio) 49.20s Tiempo de respuesta (total) 1131.69s Tiempo de respuesta (máximo) 316.27s Respuesta incorrecta: 5 Formato extra: 2 Sin respuesta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.2 Combinado : 8.7 Análisis y extracción de datos : 2.7 Específico del dominio : 3.6 Inteligencia general : 5.4 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#155#155	GPT-5.2 Chatnone	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 29,742 Tokens de razonamiento 0 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
#156#156	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 79.7% Pruebas inestables 2 Tokens de entrada 79,249 Tokens de salida 5,097 Tokens de razonamiento 165,276 Tiempo de respuesta (promedio) 66.52s Tiempo de respuesta (total) 1463.50s Tiempo de respuesta (máximo) 238.07s Respuesta incorrecta: 4 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 7.3 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
#157#157	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 0 Tokens de entrada 272,221 Tokens de salida 12,345 Tokens de razonamiento 47,189 Tiempo de respuesta (promedio) 6.78s Tiempo de respuesta (total) 155.96s Tiempo de respuesta (máximo) 54.91s Respuesta incorrecta: 7 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 : 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
#158#158	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 5 Tokens de entrada 245,179 Tokens de salida 62,697 Tokens de razonamiento 196,621 Tiempo de respuesta (promedio) 81.18s Tiempo de respuesta (total) 1785.87s Tiempo de respuesta (máximo) 365.80s Respuesta incorrecta: 8 Tiempo agotado: 2 Error de API: 1 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.3 Programación : 7.8 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 5.9 Llamada de herramientas : 3.0 Cultura general : 3.0
#159#159	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
#160#160	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 5 Tokens de entrada 251,695 Tokens de salida 49,415 Tokens de razonamiento 472,775 Tiempo de respuesta (promedio) 66.96s Tiempo de respuesta (total) 1539.99s Tiempo de respuesta (máximo) 519.30s Respuesta incorrecta: 5 Llamada de herramienta no válida: 2 Tiempo agotado: 2 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 6.0 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#161#161	Grok 4.6low	6.9	X AI	$0.781	16.44s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 1 Tokens de entrada 263,427 Tokens de salida 6,006 Tokens de razonamiento 36,309 Tiempo de respuesta (promedio) 16.44s Tiempo de respuesta (total) 378.14s Tiempo de respuesta (máximo) 57.97s Respuesta incorrecta: 8 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#162#162	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 72.5% Pruebas inestables 2 Tokens de entrada 251,677 Tokens de salida 11,196 Tokens de razonamiento 31,204 Tiempo de respuesta (promedio) 8.51s Tiempo de respuesta (total) 195.76s Tiempo de respuesta (máximo) 52.64s Respuesta incorrecta: 7 Tareas de agentes : 5.0 Trucos anti-IA : 10.0 Programación : 5.8 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 10.0
#163#163	Muse Glimmer 30Blow	6.9	Meta	$0.266	22.40s
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 307,228 Tokens de salida 36,044 Tokens de razonamiento 71,621 Tiempo de respuesta (promedio) 22.40s Tiempo de respuesta (total) 515.14s Tiempo de respuesta (máximo) 234.92s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Llamada de herramienta no válida: 2 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 8.1 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#164#164	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
#165#165	Ember-1high	6.9	Fireworks	$2.405	58.14s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 8.6 Tasa de aciertos por intento 71.0% Pruebas inestables 8 Tokens de entrada 195,489 Tokens de salida 12,475 Tokens de razonamiento 108,748 Tiempo de respuesta (promedio) 58.14s Tiempo de respuesta (total) 1337.19s Tiempo de respuesta (máximo) 255.06s Error de API: 7 Respuesta incorrecta: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 8.2 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.1 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#166#166	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 3 Tokens de entrada 251,164 Tokens de salida 36,112 Tokens de razonamiento 241,203 Tiempo de respuesta (promedio) 78.76s Tiempo de respuesta (total) 1653.96s Tiempo de respuesta (máximo) 437.40s Respuesta incorrecta: 4 Error de API: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 4.3 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 9.9 Llamada de herramientas : 3.0 Cultura general : 3.0
#167#167	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 5 Tokens de entrada 202,680 Tokens de salida 9,230 Tokens de razonamiento 18,771 Tiempo de respuesta (promedio) 6.96s Tiempo de respuesta (total) 160.19s Tiempo de respuesta (máximo) 45.74s Respuesta incorrecta: 10 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 2.8 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#168#168	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 46.4% Pruebas inestables 2 Tokens de entrada 291,853 Tokens de salida 24,116 Tokens de razonamiento 8,327 Tiempo de respuesta (promedio) 7.46s Tiempo de respuesta (total) 171.47s Tiempo de respuesta (máximo) 46.61s Formato extra: 5 No siguió las instrucciones: 5 Llamada de herramienta no válida: 1 Sin respuesta: 1 Respuesta incorrecta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 6.5 Programación : 3.2 Combinado : 7.9 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.8 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#169#169	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
#170#170	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 4 Tokens de entrada 226,880 Tokens de salida 65,346 Tokens de razonamiento 331,325 Tiempo de respuesta (promedio) 121.25s Tiempo de respuesta (total) 2667.55s Tiempo de respuesta (máximo) 876.20s Respuesta incorrecta: 4 Tiempo agotado: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.0 Programación : 5.7 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#171#171	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
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 349,177 Tokens de salida 54,279 Tokens de razonamiento 477,389 Tiempo de respuesta (promedio) 83.68s Tiempo de respuesta (total) 1840.92s Tiempo de respuesta (máximo) 515.38s Respuesta incorrecta: 5 Tiempo agotado: 3 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 3.7 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#172#172	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 4 Tokens de entrada 213,901 Tokens de salida 9,623 Tokens de razonamiento 12,414 Tiempo de respuesta (promedio) 6.81s Tiempo de respuesta (total) 156.70s Tiempo de respuesta (máximo) 44.24s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 5.1 Combinado : 2.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 6.4 Llamada de herramientas : 3.0 Cultura general : 3.0
#173#173	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 1 Tokens de entrada 397,291 Tokens de salida 6,355 Tokens de razonamiento 143,752 Tiempo de respuesta (promedio) 6.66s Tiempo de respuesta (total) 153.29s Tiempo de respuesta (máximo) 74.63s Respuesta incorrecta: 4 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 7.8 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#174#174	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
#175#175	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 5 Tokens de entrada 315,136 Tokens de salida 219,014 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 36.24s Tiempo de respuesta (total) 833.43s Tiempo de respuesta (máximo) 320.00s Respuesta incorrecta: 10 No siguió las instrucciones: 2 Tareas de agentes : 6.1 Trucos anti-IA : 6.4 Programación : 5.7 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 5.3 Seguimiento de instrucciones : 5.9 Resolución de acertijos : 7.8 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