7.7Puntaje promedio en todas las pruebas de benchmark.…
7.4Puntaje promedio en todas las pruebas de benchmark.…
Consistencia
9.5La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
9.1La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Costo por resultado
8.525Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
0.000Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$1.023Costo total…
$0.000Costo total…
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Formato extra: 2Tiempo agotado: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)11.23sTiempo de respuesta (máximo)46.35sTiempo de respuesta (total)89.84sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No siguió las instrucciones: 3Respuesta incorrecta: 3Tiempo de respuesta (promedio)29.10sTiempo de respuesta (máximo)170.45sTiempo de respuesta (total)290.96sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Tasa de aciertos por intento
77.1%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
68.8%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
Pruebas inestables
1Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
2Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Ejecuciones totales
48 (16 x 3)Ejecuciones totales…
48 (16 x 3)Ejecuciones totales…
Tokens de salida
35,159Tokens de salida…
71,452Tokens de salida…
Tokens de razonamiento
24,687Tokens de razonamiento…
155,147Tokens de razonamiento…
Tiempo de respuesta (promedio)
11.23sTiempo de respuesta (promedio)…
29.10sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
46.35sTiempo de respuesta (máximo)…
170.45sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
89.84sTiempo de respuesta (total)…
290.96sTiempo 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 Sonnet 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.Formato extra: 1Tiempo de respuesta (promedio)4.95sTiempo de respuesta (máximo)4.95sTiempo de respuesta (total)4.95sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.95sTiempo de respuesta (promedio)…
1,031Tokens de salida…
1,093Tokens de razonamiento…
StepFun: Step 3.5 Flash
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)18.54sTiempo de respuesta (máximo)32.30sTiempo de respuesta (total)37.07sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
18.54sTiempo de respuesta (promedio)…
13,924Tokens de salida…
17,208Tokens 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 Sonnet 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)46.35sTiempo de respuesta (máximo)46.35sTiempo de respuesta (total)46.35sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
46.35sTiempo de respuesta (promedio)…
5,871Tokens de salida…
3,962Tokens de razonamiento…
StepFun: Step 3.5 Flash
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)29.57sTiempo de respuesta (máximo)29.57sTiempo de respuesta (total)29.57sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
29.57sTiempo de respuesta (promedio)…
1,176Tokens de salida…
12,984Tokens 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 Sonnet 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)13.90sTiempo de respuesta (máximo)13.90sTiempo de respuesta (total)13.90sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
13.90sTiempo de respuesta (promedio)…
649Tokens de salida…
742Tokens de razonamiento…
StepFun: Step 3.5 Flash
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)15.01sTiempo de respuesta (máximo)15.01sTiempo de respuesta (total)15.01sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
15.01sTiempo de respuesta (promedio)…
600Tokens de salida…
13,886Tokens 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 Sonnet 4.6
10.0Puntaje promedio en todas las pruebas de benchmark.…
7.2La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
11.1%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.Formato extra: 1Tiempo agotado: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)0msTiempo de respuesta (máximo)0msTiempo de respuesta (total)0msUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
0msTiempo de respuesta (promedio)…
25,790Tokens de salida…
16,919Tokens de razonamiento…
StepFun: Step 3.5 Flash
4.0Puntaje promedio en todas las pruebas de benchmark.…
7.2La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
44.4%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.Respuesta incorrecta: 2Tiempo de respuesta (promedio)170.45sTiempo de respuesta (máximo)170.45sTiempo de respuesta (total)170.45sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
170.45sTiempo de respuesta (promedio)…
45,350Tokens de salida…
90,436Tokens de razonamiento…
Inteligencia general
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Anthropic: Claude Sonnet 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)4.94sTiempo de respuesta (máximo)4.94sTiempo de respuesta (total)4.94sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.94sTiempo de respuesta (promedio)…
256Tokens de salida…
433Tokens de razonamiento…
StepFun: Step 3.5 Flash
6.0Puntaje 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.No siguió las instrucciones: 1Tiempo de respuesta (promedio)6.54sTiempo de respuesta (máximo)6.54sTiempo de respuesta (total)6.54sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
6.54sTiempo de respuesta (promedio)…
2,214Tokens de salida…
2,584Tokens 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 Sonnet 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)2.61sTiempo de respuesta (máximo)2.61sTiempo de respuesta (total)2.61sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
2.61sTiempo de respuesta (promedio)…
318Tokens de salida…
552Tokens de razonamiento…
StepFun: Step 3.5 Flash
9.0Puntaje promedio en todas las pruebas de benchmark.…
6.8La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
83.3%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: 1Tiempo de respuesta (promedio)4.98sTiempo de respuesta (máximo)4.98sTiempo de respuesta (total)4.98sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.98sTiempo de respuesta (promedio)…
2,284Tokens de salida…
3,412Tokens 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 Sonnet 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)4.80sTiempo de respuesta (máximo)5.22sTiempo de respuesta (total)9.60sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.80sTiempo de respuesta (promedio)…
589Tokens de salida…
635Tokens de razonamiento…
StepFun: Step 3.5 Flash
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.No siguió las instrucciones: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)7.72sTiempo de respuesta (máximo)10.60sTiempo de respuesta (total)15.44sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.72sTiempo de respuesta (promedio)…
5,629Tokens de salida…
10,835Tokens 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 Sonnet 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)7.48sTiempo de respuesta (máximo)7.48sTiempo de respuesta (total)7.48sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.48sTiempo de respuesta (promedio)…
655Tokens de salida…
351Tokens de razonamiento…
StepFun: Step 3.5 Flash
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)11.91sTiempo de respuesta (máximo)11.91sTiempo de respuesta (total)11.91sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…