4.2Puntaje promedio en todas las pruebas de benchmark.…
3.1Puntaje promedio en todas las pruebas de benchmark.…
Consistencia
9.6La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
6.4La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Costo por resultado
0.000Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
1.040Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$0.000Costo total…
$0.042Costo total…
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 9No siguió las instrucciones: 2Tiempo de respuesta (promedio)3.15sTiempo de respuesta (máximo)8.91sTiempo de respuesta (total)50.46sUna 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: 7No siguió las instrucciones: 2Sin respuesta: 2invalid tool call: 1Tiempo de respuesta (promedio)36.84sTiempo de respuesta (máximo)174.55sTiempo de respuesta (total)331.58sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Tasa de aciertos por intento
33.3%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
41.7%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).…
7Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Ejecuciones totales
48Ejecuciones totales…
48Ejecuciones totales…
Tokens de salida
1,837Tokens de salida…
38,682Tokens de salida…
Tokens de razonamiento
0Tokens de razonamiento…
64,952Tokens de razonamiento…
Tiempo de respuesta (promedio)
3.15sTiempo de respuesta (promedio)…
36.84sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
8.91sTiempo de respuesta (máximo)…
174.55sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
50.46sTiempo de respuesta (total)…
331.58sTiempo 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
Trinity Large 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: 3Tiempo de respuesta (promedio)3.59sTiempo de respuesta (máximo)8.17sTiempo de respuesta (total)10.78sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.59sTiempo de respuesta (promedio)…
587Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
4.0Puntaje promedio en todas las pruebas de benchmark.…
4.5La 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.No siguió las instrucciones: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)27.09sTiempo de respuesta (máximo)27.09sTiempo de respuesta (total)27.09sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
27.09sTiempo de respuesta (promedio)…
1,085Tokens de salida…
5,597Tokens de razonamiento…
Combinado
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens de razonamiento
Trinity Large 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)8.91sTiempo de respuesta (máximo)8.91sTiempo de respuesta (total)8.91sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
8.91sTiempo de respuesta (promedio)…
294Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
10.0Puntaje promedio en todas las pruebas de benchmark.…
2.1La 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.…
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.invalid tool call: 1Tiempo de respuesta (promedio)65.57sTiempo de respuesta (máximo)65.57sTiempo de respuesta (total)65.57sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
65.57sTiempo de respuesta (promedio)…
2,585Tokens de salida…
20,648Tokens 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
Trinity Large 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)3.26sTiempo de respuesta (máximo)4.66sTiempo de respuesta (total)6.52sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.26sTiempo de respuesta (promedio)…
186Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
5.0Puntaje promedio en todas las pruebas de benchmark.…
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
50.0%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.Sin respuesta: 1Tiempo de respuesta (promedio)1.51sTiempo de respuesta (máximo)1.51sTiempo de respuesta (total)1.51sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.51sTiempo de respuesta (promedio)…
584Tokens de salida…
2,755Tokens 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
Trinity Large 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)877msTiempo de respuesta (máximo)894msTiempo de respuesta (total)2.63sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
877msTiempo de respuesta (promedio)…
25Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
10.0Puntaje promedio en todas las pruebas de benchmark.…
4.4La 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.…
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.Respuesta incorrecta: 2Sin respuesta: 1Tiempo de respuesta (promedio)174.55sTiempo de respuesta (máximo)174.55sTiempo de respuesta (total)174.55sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
174.55sTiempo de respuesta (promedio)…
33,000Tokens de salida…
25,394Tokens 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
Trinity Large Preview
3.0Puntaje promedio en todas las pruebas de benchmark.…
9.9La 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)2.86sTiempo de respuesta (máximo)2.86sTiempo de respuesta (total)2.86sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
2.86sTiempo de respuesta (promedio)…
124Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
10.0Puntaje promedio en todas las pruebas de benchmark.…
9.7La 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)18.14sTiempo de respuesta (máximo)18.14sTiempo de respuesta (total)18.14sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
18.14sTiempo de respuesta (promedio)…
18Tokens de salida…
2,138Tokens 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
Trinity Large Preview
3.5Puntaje promedio en todas las pruebas de benchmark.…
6.7La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
16.7%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)1.09sTiempo de respuesta (máximo)1.23sTiempo de respuesta (total)2.19sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.09sTiempo de respuesta (promedio)…
63Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
5.0Puntaje promedio en todas las pruebas de benchmark.…
5.8La 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.…
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: 1Tiempo de respuesta (promedio)2.97sTiempo de respuesta (máximo)2.97sTiempo de respuesta (total)2.97sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
2.97sTiempo de respuesta (promedio)…
388Tokens de salida…
2,181Tokens 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
Trinity Large 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)3.30sTiempo de respuesta (máximo)4.81sTiempo de respuesta (total)9.91sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.30sTiempo de respuesta (promedio)…
291Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 Flash
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.Respuesta incorrecta: 2No siguió las instrucciones: 1Tiempo de respuesta (promedio)12.90sTiempo de respuesta (máximo)22.33sTiempo de respuesta (total)25.80sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
12.90sTiempo de respuesta (promedio)…
798Tokens de salida…
5,225Tokens 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
Trinity Large 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)6.67sTiempo de respuesta (máximo)6.67sTiempo de respuesta (total)6.67sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
6.67sTiempo de respuesta (promedio)…
267Tokens de salida…
0Tokens de razonamiento…
Z.ai: GLM 4.7 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)15.95sTiempo de respuesta (máximo)15.95sTiempo de respuesta (total)15.95sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…