6.4Puntaje promedio en todas las pruebas de benchmark.…
7.4Puntaje promedio en todas las pruebas de benchmark.…
Rango
#30
#20
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Formato extra: 4Respuesta incorrecta: 2Tiempo de respuesta (promedio)25.08sTiempo de respuesta (máximo)83.40sTiempo de respuesta (total)200.67sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 4No siguió las instrucciones: 1Tiempo de respuesta (promedio)1.37sTiempo de respuesta (máximo)3.39sTiempo de respuesta (total)20.53sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Consistencia
8.9La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
9.6La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Costo por resultado
14.411Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
0.142Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$1.297Costo total…
$0.015Costo total…
Tasa de aciertos por intento
64.4%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
71.1%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
Pruebas inestables
2Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
common.totalRuns
45 (15 x 3)common.totalRuns…
45 (15 x 3)common.totalRuns…
Tokens de salida
26,066Tokens de salida…
4,646Tokens de salida…
Tokens de razonamiento
17,071Tokens de razonamiento…
0Tokens de razonamiento…
Tiempo de respuesta (promedio)
25.08sTiempo de respuesta (promedio)…
1.37sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
83.40sTiempo de respuesta (máximo)…
3.39sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
200.67sTiempo de respuesta (total)…
20.53sTiempo de respuesta (total)…
Mejores modelos por puntuación
Puntuación vs costo total
Tiempo de respuesta (promedio)
Puntaje prom. vs Tiempo de respuesta (promedio)
Desglose por categoría
Trucos anti-IA
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
4.0Puntaje promedio en todas las pruebas de benchmark.…
4.4La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
55.6%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
2Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Formato extra: 2Tiempo de respuesta (promedio)11.88sTiempo de respuesta (máximo)11.88sTiempo de respuesta (total)11.88sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
11.88sTiempo de respuesta (promedio)…
897Tokens de salida…
1,000Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
6.0Puntaje promedio en todas las pruebas de benchmark.…
7.8La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
55.6%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No siguió las instrucciones: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)1.16sTiempo de respuesta (máximo)1.47sTiempo de respuesta (total)3.49sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.16sTiempo de respuesta (promedio)…
1,086Tokens de salida…
0Tokens de razonamiento…
Combinado
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)76.66sTiempo de respuesta (máximo)76.66sTiempo de respuesta (total)76.66sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
76.66sTiempo de respuesta (promedio)…
8,178Tokens de salida…
5,194Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
0.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 1Tiempo de respuesta (promedio)3.20sTiempo de respuesta (máximo)3.20sTiempo de respuesta (total)3.20sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.20sTiempo de respuesta (promedio)…
339Tokens de salida…
0Tokens de razonamiento…
Análisis y extracción de datos
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
9.9Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)7.37sTiempo de respuesta (máximo)7.37sTiempo de respuesta (total)7.37sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.37sTiempo de respuesta (promedio)…
691Tokens de salida…
757Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
9.9Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)1.22sTiempo de respuesta (máximo)1.33sTiempo de respuesta (total)2.44sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.22sTiempo de respuesta (promedio)…
399Tokens de salida…
0Tokens de razonamiento…
Específico del dominio
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
0.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Formato extra: 2Respuesta incorrecta: 1Tiempo de respuesta (promedio)83.40sTiempo de respuesta (máximo)83.40sTiempo de respuesta (total)83.40sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
83.40sTiempo de respuesta (promedio)…
14,642Tokens de salida…
8,687Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
4.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
33.3%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 2Tiempo de respuesta (promedio)942msTiempo de respuesta (máximo)1.12sTiempo de respuesta (total)2.83sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
942msTiempo de respuesta (promedio)…
568Tokens de salida…
0Tokens de razonamiento…
Seguimiento de instrucciones
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)2.43sTiempo de respuesta (máximo)2.43sTiempo de respuesta (total)2.43sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
2.43sTiempo de respuesta (promedio)…
266Tokens de salida…
467Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)1.13sTiempo de respuesta (máximo)1.14sTiempo de respuesta (total)2.27sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.13sTiempo de respuesta (promedio)…
574Tokens de salida…
0Tokens de razonamiento…
Puzzle Solving
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
7.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
66.7%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 1Tiempo de respuesta (promedio)4.60sTiempo de respuesta (máximo)4.66sTiempo de respuesta (total)9.20sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.60sTiempo de respuesta (promedio)…
531Tokens de salida…
637Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)972msTiempo de respuesta (máximo)1.13sTiempo de respuesta (total)2.92sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
972msTiempo de respuesta (promedio)…
898Tokens de salida…
0Tokens de razonamiento…
Llamada de herramientas
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Opus 4.6
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)9.73sTiempo de respuesta (máximo)9.73sTiempo de respuesta (total)9.73sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
9.73sTiempo de respuesta (promedio)…
861Tokens de salida…
329Tokens de razonamiento…
Google: Gemini 3.1 Flash Lite Preview
10.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100.0%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No hay respuestas fallidas.Tiempo de respuesta (promedio)3.39sTiempo de respuesta (máximo)3.39sTiempo de respuesta (total)3.39sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…