6.1Puntaje promedio en todas las pruebas de benchmark.…
3.9Puntaje promedio en todas las pruebas de benchmark.…
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: 8No siguió las instrucciones: 2invalid tool call: 1Tiempo de respuesta (promedio)3.16sTiempo de respuesta (máximo)7.05sTiempo de respuesta (total)25.31sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
Consistencia
8.9La consistencia refleja la estabilidad entre ejecuciones (10 = muy consistente, incluso si es consistentemente incorrecto).…
8.3La 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).…
0.064Muestra el costo promedio por respuesta correcta del benchmark en centavos (menor es mejor).…
Costo total
$0.113Costo total…
$0.003Costo total…
Tasa de aciertos por intento
62.2%Tasa de aciertos por intento = intentos correctos / intentos totales en todas las ejecuciones.…
37.8%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).…
3Pruebas 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
5,477Tokens de salida…
1,721Tokens de salida…
Tokens de razonamiento
46,912Tokens de razonamiento…
0Tokens de razonamiento…
Tiempo de respuesta (promedio)
25.92sTiempo de respuesta (promedio)…
3.16sTiempo de respuesta (promedio)…
Tiempo de respuesta (máximo)
88.15sTiempo de respuesta (máximo)…
7.05sTiempo de respuesta (máximo)…
Tiempo de respuesta (total)
388.79sTiempo de respuesta (total)…
25.31sTiempo 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
OpenAI: GPT-5 Mini
7.0Puntaje promedio en todas las pruebas de benchmark.…
9.6La 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…
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).…
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: 3Tiempo de respuesta (promedio)6.59sTiempo de respuesta (máximo)6.59sTiempo de respuesta (total)6.59sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
6.59sTiempo de respuesta (promedio)…
430Tokens 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
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)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…
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).…
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.invalid tool call: 1Tiempo de respuesta (promedio)3.22sTiempo de respuesta (máximo)3.22sTiempo de respuesta (total)3.22sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
3.22sTiempo de respuesta (promedio)…
704Tokens 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
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)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…
Z.ai: GLM 4.7 Flash
5.4Puntaje promedio en todas las pruebas de benchmark.…
5.8La 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.Respuesta incorrecta: 1Tiempo de respuesta (promedio)4.82sTiempo de respuesta (máximo)4.82sTiempo de respuesta (total)4.82sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
4.82sTiempo de respuesta (promedio)…
196Tokens 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
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).…
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…
Z.ai: GLM 4.7 Flash
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)744msTiempo de respuesta (máximo)744msTiempo de respuesta (total)744msUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
744msTiempo de respuesta (promedio)…
19Tokens 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
7.5Puntaje promedio en todas las pruebas de benchmark.…
6.6La 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…
Z.ai: GLM 4.7 Flash
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)888msTiempo de respuesta (máximo)888msTiempo de respuesta (total)888msUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
888msTiempo de respuesta (promedio)…
62Tokens 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
4.3Puntaje 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)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…
Z.ai: GLM 4.7 Flash
3.7Puntaje 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: 2Respuesta incorrecta: 1Tiempo de respuesta (promedio)1.00sTiempo de respuesta (máximo)1.12sTiempo de respuesta (total)2.00sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…
1.00sTiempo de respuesta (promedio)…
98Tokens 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
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)18.64sTiempo 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…
Z.ai: GLM 4.7 Flash
10.0Puntaje promedio en todas las pruebas de benchmark.…
1.6La 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.Respuesta incorrecta: 1Tiempo de respuesta (promedio)7.05sTiempo de respuesta (máximo)7.05sTiempo de respuesta (total)7.05sUna prueba cuenta como totalmente superada solo si todas sus ejecuciones pasan.…