9.3Puntaje promedio en todas las pruebas de benchmark.…
4.6Puntaje promedio en todas las pruebas de benchmark.…
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.Respuesta incorrecta: 1Tiempo de respuesta (promedio)17.20sTiempo de respuesta (máximo)40.61sTiempo de respuesta (total)137.59sUna 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: 8No siguió las instrucciones: 1Tiempo de respuesta (promedio)1.46sTiempo de respuesta (máximo)2.89sTiempo de respuesta (total)21.86sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Consistencia
10.0La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
8.9La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Costo por resultado
3.544Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
1.496Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$0.497Costo total…
$0.090Costo total…
Tasa de aciertos por intento
93.3%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
44.4%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
Pruebas inestables
0Pruebas 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).…
common.totalAttempts
45 (15 x 3)common.totalAttempts…
45 (15 x 3)common.totalAttempts…
Tokens de salida
1,413Tokens de salida…
1,635Tokens de salida…
Tokens de razonamiento
34,477Tokens de razonamiento…
0Tokens de razonamiento…
Tiempo de respuesta (promedio)
17.20sTiempo de respuesta (promedio)…
1.46sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
40.61sTiempo de respuesta (máximo)…
2.89sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
137.59sTiempo de respuesta (total)…
21.86sTiempo de respuesta (total)…
Mejores modelos por puntuación
Tiempo de respuesta (promedio)
Puntuación vs costo total
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 Pro 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)9.52sTiempo de respuesta (máximo)9.52sTiempo de respuesta (total)9.52sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
9.52sTiempo de respuesta (promedio)…
106Tokens de salida…
2,533Tokens de razonamiento…
OpenAI: GPT-5.4
10.0Puntaje promedio en todas las pruebas de benchmark.…
7.3La 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: 3Tiempo de respuesta (promedio)1.41sTiempo de respuesta (máximo)2.58sTiempo de respuesta (total)4.23sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.41sTiempo de respuesta (promedio)…
388Tokens 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
Google: Gemini 3.1 Pro Preview
9.0Puntaje 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)40.61sTiempo de respuesta (máximo)40.61sTiempo de respuesta (total)40.61sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
40.61sTiempo de respuesta (promedio)…
432Tokens de salida…
9,281Tokens de razonamiento…
OpenAI: GPT-5.4
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)2.89sTiempo de respuesta (máximo)2.89sTiempo de respuesta (total)2.89sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
2.89sTiempo de respuesta (promedio)…
291Tokens 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
Google: Gemini 3.1 Pro 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)7.72sTiempo de respuesta (máximo)7.72sTiempo de respuesta (total)7.72sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.72sTiempo de respuesta (promedio)…
279Tokens de salida…
3,904Tokens de razonamiento…
OpenAI: GPT-5.4
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)1.04sTiempo de respuesta (máximo)1.06sTiempo de respuesta (total)2.08sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.04sTiempo de respuesta (promedio)…
222Tokens 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
Google: Gemini 3.1 Pro 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)32.73sTiempo de respuesta (máximo)32.73sTiempo de respuesta (total)32.73sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
32.73sTiempo de respuesta (promedio)…
18Tokens de salida…
12,424Tokens de razonamiento…
OpenAI: GPT-5.4
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)1.07sTiempo de respuesta (máximo)1.54sTiempo de respuesta (total)3.22sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.07sTiempo de respuesta (promedio)…
50Tokens 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
Google: Gemini 3.1 Pro 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)9.56sTiempo de respuesta (máximo)9.56sTiempo de respuesta (total)9.56sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
9.56sTiempo de respuesta (promedio)…
72Tokens de salida…
2,236Tokens de razonamiento…
OpenAI: GPT-5.4
5.5Puntaje 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.Respuesta incorrecta: 1Tiempo de respuesta (promedio)1.07sTiempo de respuesta (máximo)1.17sTiempo de respuesta (total)2.15sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.07sTiempo de respuesta (promedio)…
81Tokens 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
Google: Gemini 3.1 Pro 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)7.15sTiempo de respuesta (máximo)8.49sTiempo de respuesta (total)14.30sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.15sTiempo de respuesta (promedio)…
232Tokens de salida…
3,117Tokens de razonamiento…
OpenAI: GPT-5.4
4.0Puntaje promedio en todas las pruebas de benchmark.…
9.8La 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)1.52sTiempo de respuesta (máximo)1.82sTiempo de respuesta (total)4.56sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.52sTiempo de respuesta (promedio)…
357Tokens 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
Google: Gemini 3.1 Pro 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)23.15sTiempo de respuesta (máximo)23.15sTiempo de respuesta (total)23.15sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
23.15sTiempo de respuesta (promedio)…
274Tokens de salida…
982Tokens de razonamiento…
OpenAI: GPT-5.4
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)2.75sTiempo de respuesta (máximo)2.75sTiempo de respuesta (total)2.75sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…