61Puntaje promedio en todas las pruebas de benchmark.…
36Puntaje promedio en todas las pruebas de benchmark.…
Consistencia
89La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
100La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
Costo por resultado
1.401Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
0.226Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$0.113Costo total…
$0.007Costo total…
Tiempo de respuesta (promedio)
25.92sTiempo de respuesta (promedio)…
12.82sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
88.15sTiempo de respuesta (máximo)…
45.14sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
388.79sTiempo de respuesta (total)…
115.42sTiempo de respuesta (total)…
Pruebas correctas
Una prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.No siguió las instrucciones: 3Respuesta incorrecta: 3Tiempo agotado: 1Tiempo de respuesta (promedio)25.92sTiempo de respuesta (máximo)88.15sTiempo de respuesta (total)388.79sUna 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: 10Formato extra: 1No siguió las instrucciones: 1Tiempo de respuesta (promedio)12.82sTiempo de respuesta (máximo)45.14sTiempo de respuesta (total)115.42sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Tasa de aciertos por intento
62.2%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
20.0%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).…
0Pruebas inestables tuvieron resultados mixtos entre ejecuciones (al menos un acierto y un fallo).…
Tokens de salida
5,477Tokens de salida…
2,874Tokens de salida…
Tokens de razonamiento
46,912Tokens de razonamiento…
0Tokens de razonamiento…
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
OpenAI: GPT-5 Mini
70Puntaje promedio en todas las pruebas de benchmark.…
96La 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.No siguió las instrucciones: 1Tiempo de respuesta (promedio)16.45sTiempo de respuesta (máximo)26.00sTiempo de respuesta (total)49.36sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
16.45sTiempo de respuesta (promedio)…
1,645Tokens de salida…
5,824Tokens de razonamiento…
Qwen: Qwen3 Coder Next
23Puntaje promedio en todas las pruebas de benchmark.…
100La 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: 1No siguió las instrucciones: 1Respuesta incorrecta: 1Tiempo de respuesta (promedio)4.39sTiempo de respuesta (máximo)4.39sTiempo de respuesta (total)4.39sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.39sTiempo de respuesta (promedio)…
1,315Tokens 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
OpenAI: GPT-5 Mini
100Puntaje promedio en todas las pruebas de benchmark.…
100La 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)88.15sTiempo de respuesta (máximo)88.15sTiempo de respuesta (total)88.15sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
88.15sTiempo de respuesta (promedio)…
754Tokens de salida…
11,520Tokens de razonamiento…
Qwen: Qwen3 Coder Next
100Puntaje promedio en todas las pruebas de benchmark.…
100La 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)45.14sTiempo de respuesta (máximo)45.14sTiempo de respuesta (total)45.14sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
45.14sTiempo de respuesta (promedio)…
317Tokens 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
OpenAI: GPT-5 Mini
99Puntaje promedio en todas las pruebas de benchmark.…
100La 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)12.58sTiempo de respuesta (máximo)13.87sTiempo de respuesta (total)25.16sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
12.58sTiempo de respuesta (promedio)…
453Tokens de salida…
3,200Tokens de razonamiento…
Qwen: Qwen3 Coder Next
54Puntaje promedio en todas las pruebas de benchmark.…
100La 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)1.32sTiempo de respuesta (máximo)1.32sTiempo de respuesta (total)1.32sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.32sTiempo de respuesta (promedio)…
246Tokens 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
OpenAI: GPT-5 Mini
100Puntaje promedio en todas las pruebas de benchmark.…
72La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
22.2%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 agotado: 1Tiempo de respuesta (promedio)44.63sTiempo de respuesta (máximo)82.55sTiempo de respuesta (total)133.89sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
44.63sTiempo de respuesta (promedio)…
293Tokens de salida…
14,016Tokens de razonamiento…
Qwen: Qwen3 Coder Next
40Puntaje promedio en todas las pruebas de benchmark.…
100La 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)962msTiempo de respuesta (máximo)962msTiempo de respuesta (total)962msUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
962msTiempo de respuesta (promedio)…
26Tokens 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
OpenAI: GPT-5 Mini
75Puntaje promedio en todas las pruebas de benchmark.…
66La 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)15.66sTiempo de respuesta (máximo)21.80sTiempo de respuesta (total)31.32sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
15.66sTiempo de respuesta (promedio)…
318Tokens de salida…
4,992Tokens de razonamiento…
Qwen: Qwen3 Coder Next
45Puntaje promedio en todas las pruebas de benchmark.…
100La 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: 2Tiempo de respuesta (promedio)7.71sTiempo de respuesta (máximo)14.65sTiempo de respuesta (total)15.42sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
7.71sTiempo de respuesta (promedio)…
63Tokens 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
OpenAI: GPT-5 Mini
43Puntaje promedio en todas las pruebas de benchmark.…
98La 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)14.09sTiempo de respuesta (máximo)16.81sTiempo de respuesta (total)42.28sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
14.09sTiempo de respuesta (promedio)…
1,527Tokens de salida…
5,760Tokens de razonamiento…
Qwen: Qwen3 Coder Next
13Puntaje promedio en todas las pruebas de benchmark.…
100La 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)22.86sTiempo de respuesta (máximo)42.58sTiempo de respuesta (total)45.73sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
22.86sTiempo de respuesta (promedio)…
652Tokens 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
OpenAI: GPT-5 Mini
100Puntaje promedio en todas las pruebas de benchmark.…
100La 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)18.64sTiempo de respuesta (máximo)18.64sTiempo de respuesta (total)18.64sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
18.64sTiempo de respuesta (promedio)…
487Tokens de salida…
1,600Tokens de razonamiento…
Qwen: Qwen3 Coder Next
100Puntaje promedio en todas las pruebas de benchmark.…
100La 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)2.47sTiempo de respuesta (máximo)2.47sTiempo de respuesta (total)2.47sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…