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)
#201#201	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 6 Tokens de entrada 106,085 Tokens de salida 9,071 Tokens de razonamiento 135,288 Tiempo de respuesta (promedio) 21.21s Tiempo de respuesta (total) 487.83s Tiempo de respuesta (máximo) 199.97s Respuesta incorrecta: 10 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 7.0 Programación : 6.4 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#202#202	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 325,471 Tokens de salida 14,867 Tokens de razonamiento 217,675 Tiempo de respuesta (promedio) 44.53s Tiempo de respuesta (total) 1024.25s Tiempo de respuesta (máximo) 216.69s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#203#203	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 46.4% Pruebas inestables 3 Tokens de entrada 352,516 Tokens de salida 33,786 Tokens de razonamiento 504,506 Tiempo de respuesta (promedio) 48.97s Tiempo de respuesta (total) 1126.35s Tiempo de respuesta (máximo) 422.72s Respuesta incorrecta: 10 Llamada de herramienta no válida: 2 Sin respuesta: 2 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#204#204	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 16 Fiabilidad 10.0 Tasa de aciertos por intento 36.2% Pruebas inestables 2 Tokens de entrada 405,921 Tokens de salida 97,112 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 14.79s Tiempo de respuesta (total) 340.25s Tiempo de respuesta (máximo) 212.63s Respuesta incorrecta: 13 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 4.8 Programación : 3.7 Combinado : 5.2 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.3 Resolución de acertijos : 3.8 Llamada de herramientas : 10.0 Cultura general : 3.0
#205#205	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 3 Tokens de entrada 233,893 Tokens de salida 12,432 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 6.05s Tiempo de respuesta (total) 102.89s Tiempo de respuesta (máximo) 57.84s Respuesta incorrecta: 9 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#206#206	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 60.9% Pruebas inestables 5 Tokens de entrada 299,558 Tokens de salida 33,248 Tokens de razonamiento 374,819 Tiempo de respuesta (promedio) 133.93s Tiempo de respuesta (total) 3080.36s Tiempo de respuesta (máximo) 519.91s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#207#207	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 1 Tokens de entrada 106,316 Tokens de salida 79,338 Tokens de razonamiento 41,089 Tiempo de respuesta (promedio) 28.08s Tiempo de respuesta (total) 421.15s Tiempo de respuesta (máximo) 140.96s Respuesta incorrecta: 4 Formato extra: 3 Tiempo agotado: 1 Tareas de agentes : 0.0 Trucos anti-IA : 6.5 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#208#208	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 9.6 Tasa de aciertos por intento 60.9% Pruebas inestables 8 Tokens de entrada 292,271 Tokens de salida 55,025 Tokens de razonamiento 186,071 Tiempo de respuesta (promedio) 125.76s Tiempo de respuesta (total) 2137.84s Tiempo de respuesta (máximo) 566.79s Respuesta incorrecta: 5 Tiempo agotado: 3 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.9 Trucos anti-IA : 7.3 Programación : 6.1 Combinado : 6.7 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#209#209	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 317,982 Tokens de salida 3,918 Tokens de razonamiento 135,028 Tiempo de respuesta (promedio) 7.74s Tiempo de respuesta (total) 178.07s Tiempo de respuesta (máximo) 107.89s Respuesta incorrecta: 9 Error de API: 1 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#210#210	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 1 Tokens de entrada 230,004 Tokens de salida 18,040 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.67s Tiempo de respuesta (total) 107.45s Tiempo de respuesta (máximo) 49.23s Respuesta incorrecta: 7 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.5 Programación : 5.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#211#211	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 7 Tokens de entrada 253,462 Tokens de salida 40,269 Tokens de razonamiento 185,716 Tiempo de respuesta (promedio) 56.72s Tiempo de respuesta (total) 1304.54s Tiempo de respuesta (máximo) 333.34s Respuesta incorrecta: 4 Formato extra: 3 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 : 6.2 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 5.5 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 6.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#212#212	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 59.4% Pruebas inestables 7 Tokens de entrada 255,887 Tokens de salida 154,879 Tokens de razonamiento 603,518 Tiempo de respuesta (promedio) 70.48s Tiempo de respuesta (total) 1620.93s Tiempo de respuesta (máximo) 480.52s Respuesta incorrecta: 9 Sin respuesta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 5.8 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 5.3 Inteligencia general : 3.4 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#213#213	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 6 Tokens de entrada 260,850 Tokens de salida 125,908 Tokens de razonamiento 516,424 Tiempo de respuesta (promedio) 66.13s Tiempo de respuesta (total) 1520.96s Tiempo de respuesta (máximo) 417.36s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Sin respuesta: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.9 Análisis y extracción de datos : 7.3 Específico del dominio : 3.6 Inteligencia general : 4.0 Seguimiento de instrucciones : 7.9 Resolución de acertijos : 5.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#214#214	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 42.0% Pruebas inestables 3 Tokens de entrada 276,199 Tokens de salida 17,473 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 8.50s Tiempo de respuesta (total) 195.60s Tiempo de respuesta (máximo) 81.77s Respuesta incorrecta: 13 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 4.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#215#215	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.971 ↓	111.54s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 65.2% Pruebas inestables 7 Tokens de entrada 378,048 Tokens de salida 56,477 Tokens de razonamiento 865,151 Tiempo de respuesta (promedio) 111.54s Tiempo de respuesta (total) 2565.38s Tiempo de respuesta (máximo) 950.25s Sin respuesta: 3 Tiempo agotado: 3 Respuesta incorrecta: 3 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 7.4 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 3.8 Análisis y extracción de datos : 7.3 Específico del dominio : 3.5 Inteligencia general : 2.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#216#216	Qwen3.6 27Bnone	6.3	Qwen	$0.147 ↓	12.71s
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 250,919 Tokens de salida 20,816 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 12.71s Tiempo de respuesta (total) 292.29s Tiempo de respuesta (máximo) 156.31s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 10.0 Trucos anti-IA : 3.8 Programación : 5.5 Combinado : 3.2 Análisis y extracción de datos : 7.3 Específico del dominio : 7.7 Inteligencia general : 5.2 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 5.3 Llamada de herramientas : 9.5 Cultura general : 3.0
#217#217	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 275,779 Tokens de salida 14,401 Tokens de razonamiento 25,511 Tiempo de respuesta (promedio) 4.79s Tiempo de respuesta (total) 110.24s Tiempo de respuesta (máximo) 53.91s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 9.0 Programación : 4.3 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 4.7
#218#218	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
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 309,715 Tokens de salida 16,170 Tokens de razonamiento 422,721 Tiempo de respuesta (promedio) 19.04s Tiempo de respuesta (total) 437.98s Tiempo de respuesta (máximo) 309.35s Respuesta incorrecta: 7 No siguió las instrucciones: 1 Llamada de herramienta no válida: 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 : 7.7 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#219#219	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 312,368 Tokens de salida 9,429 Tokens de razonamiento 416,147 Tiempo de respuesta (promedio) 19.02s Tiempo de respuesta (total) 437.38s Tiempo de respuesta (máximo) 318.02s Respuesta incorrecta: 9 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.3 Programación : 5.5 Combinado : 3.2 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#220#220	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 6 Tokens de entrada 209,002 Tokens de salida 24,675 Tokens de razonamiento 377,528 Tiempo de respuesta (promedio) 128.91s Tiempo de respuesta (total) 2965.04s Tiempo de respuesta (máximo) 491.07s Respuesta incorrecta: 6 No siguió las instrucciones: 3 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 2.8 Trucos anti-IA : 8.7 Programación : 5.7 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.5 Seguimiento de instrucciones : 7.9 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#221#221	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 12 Fiabilidad 10.0 Tasa de aciertos por intento 52.2% Pruebas inestables 3 Tokens de entrada 346,064 Tokens de salida 53,060 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 20.07s Tiempo de respuesta (total) 341.27s Tiempo de respuesta (máximo) 183.50s Respuesta incorrecta: 11 Llamada de herramienta no válida: 1 Tareas de agentes : 5.2 Trucos anti-IA : 4.8 Programación : 4.3 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 4.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#222#222	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 271,890 Tokens de salida 190,841 Tokens de razonamiento 513,329 Tiempo de respuesta (promedio) 85.22s Tiempo de respuesta (total) 1960.12s Tiempo de respuesta (máximo) 432.81s Sin respuesta: 4 No siguió las instrucciones: 3 Respuesta incorrecta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.6 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.9 Llamada de herramientas : 4.7 Cultura general : 3.0
#223#223	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 3 Tokens de entrada 108,573 Tokens de salida 69,994 Tokens de razonamiento 26,728 Tiempo de respuesta (promedio) 32.23s Tiempo de respuesta (total) 515.65s Tiempo de respuesta (máximo) 151.51s Formato extra: 4 Respuesta incorrecta: 4 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 6.4 Programación : 5.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#224#224	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 13 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 5 Tokens de entrada 267,840 Tokens de salida 192,115 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 32.88s Tiempo de respuesta (total) 756.28s Tiempo de respuesta (máximo) 197.32s Respuesta incorrecta: 11 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 5.2 Programación : 5.4 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#225#225	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
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 306,662 Tokens de salida 17,819 Tokens de razonamiento 125,341 Tiempo de respuesta (promedio) 70.08s Tiempo de respuesta (total) 1611.86s Tiempo de respuesta (máximo) 376.10s Respuesta incorrecta: 6 Error de API: 2 Tiempo agotado: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.2 Programación : 6.0 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.0 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