8.2Puntaje promedio en todas las pruebas de benchmark.…
6.9Puntaje promedio en todas las pruebas de benchmark.…
Consistencia
9.6La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
7.5La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Costo por resultado
19.243Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
0.720Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$2.310Costo total…
$0.072Costo total…
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 3No siguió las instrucciones: 1Tiempo de respuesta (promedio)68.83sTiempo de respuesta (máximo)280.52sTiempo de respuesta (total)1101.32sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Tiempo agotado: 3Error de API: 1No siguió las instrucciones: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)70.81sTiempo de respuesta (máximo)234.29sTiempo de respuesta (total)1132.90sUna 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.…
81.3%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).…
5Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
common.totalRuns
48 (16 x 3)common.totalRuns…
48 (16 x 3)common.totalRuns…
Tokens de salida
1,283Tokens de salida…
1,807Tokens de salida…
Tokens de razonamiento
1,533,310Tokens de razonamiento…
169,952Tokens de razonamiento…
Tiempo de respuesta (promedio)
68.83sTiempo de respuesta (promedio)…
70.81sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
280.52sTiempo de respuesta (máximo)…
234.29sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
1101.32sTiempo de respuesta (total)…
1132.90sTiempo 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
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)43.87sTiempo de respuesta (máximo)121.88sTiempo de respuesta (total)131.62sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
43.87sTiempo de respuesta (promedio)…
144Tokens de salida…
193,077Tokens de razonamiento…
Qwen: Qwen3.5-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)71.35sTiempo de respuesta (máximo)168.31sTiempo de respuesta (total)214.06sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
71.35sTiempo de respuesta (promedio)…
363Tokens de salida…
23,645Tokens de razonamiento…
Combinado
Puntuación
Consistencia
Tasa de aciertos por intento
Pruebas inestables
Pruebas correctas
Tiempo de respuesta (promedio)
Tokens de salida
Tokens 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)280.52sTiempo de respuesta (máximo)280.52sTiempo de respuesta (total)280.52sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
280.52sTiempo de respuesta (promedio)…
335Tokens de salida…
380,440Tokens de razonamiento…
Qwen: Qwen3.5-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)17.78sTiempo de respuesta (máximo)17.78sTiempo de respuesta (total)17.78sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
17.78sTiempo de respuesta (promedio)…
483Tokens de salida…
8,270Tokens 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
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)7.16sTiempo de respuesta (máximo)8.54sTiempo de respuesta (total)14.31sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.16sTiempo de respuesta (promedio)…
279Tokens de salida…
6,186Tokens de razonamiento…
Qwen: Qwen3.5-Flash
5.5Puntaje promedio en todas las pruebas de benchmark.…
5.9La 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.Error de API: 1Tiempo de respuesta (promedio)56.99sTiempo de respuesta (máximo)80.14sTiempo de respuesta (total)113.98sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
56.99sTiempo de respuesta (promedio)…
235Tokens de salida…
16,237Tokens 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
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)127.58sTiempo de respuesta (máximo)133.93sTiempo de respuesta (total)382.74sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
127.58sTiempo de respuesta (promedio)…
18Tokens de salida…
566,202Tokens de razonamiento…
Qwen: Qwen3.5-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.Tiempo agotado: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)146.50sTiempo de respuesta (máximo)234.29sTiempo de respuesta (total)439.49sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
146.50sTiempo de respuesta (promedio)…
58Tokens de salida…
43,615Tokens 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
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)5.25sTiempo de respuesta (máximo)5.25sTiempo de respuesta (total)5.25sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
5.25sTiempo de respuesta (promedio)…
117Tokens de salida…
3,915Tokens de razonamiento…
Qwen: Qwen3.5-Flash
5.0Puntaje promedio en todas las pruebas de benchmark.…
3.1La 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.No siguió las instrucciones: 1Tiempo de respuesta (promedio)40.05sTiempo de respuesta (máximo)40.05sTiempo de respuesta (total)40.05sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
40.05sTiempo de respuesta (promedio)…
99Tokens de salida…
38,486Tokens 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
Google: Gemini 3.1 Flash Lite Preview
9.0Puntaje promedio en todas las pruebas de benchmark.…
6.9La 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.No siguió las instrucciones: 1Tiempo de respuesta (promedio)70.07sTiempo de respuesta (máximo)136.53sTiempo de respuesta (total)140.14sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
70.07sTiempo de respuesta (promedio)…
69Tokens de salida…
190,053Tokens de razonamiento…
Qwen: Qwen3.5-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)63.49sTiempo de respuesta (máximo)111.61sTiempo de respuesta (total)126.98sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
63.49sTiempo de respuesta (promedio)…
98Tokens de salida…
14,139Tokens 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
Google: Gemini 3.1 Flash Lite Preview
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)46.33sTiempo de respuesta (máximo)134.22sTiempo de respuesta (total)139.00sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
46.33sTiempo de respuesta (promedio)…
87Tokens de salida…
190,953Tokens de razonamiento…
Qwen: Qwen3.5-Flash
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).…
77.8%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.Tiempo agotado: 2Tiempo de respuesta (promedio)56.74sTiempo de respuesta (máximo)115.01sTiempo de respuesta (total)170.23sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
56.74sTiempo de respuesta (promedio)…
162Tokens de salida…
24,276Tokens 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
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)7.73sTiempo de respuesta (máximo)7.73sTiempo de respuesta (total)7.73sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.73sTiempo de respuesta (promedio)…
234Tokens de salida…
2,484Tokens de razonamiento…
Qwen: Qwen3.5-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)10.33sTiempo de respuesta (máximo)10.33sTiempo de respuesta (total)10.33sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…