¿Puede resolver tareas difíciles de razonamiento y conocimiento?
Artificial Analysis + HELM
Evidencia independiente
Observatorio de
Benchmarks.
Ningún benchmark es perfectamente neutral y ninguna cifra identifica por sí sola el “mejor” modelo. Esta página combina fuentes independientes y académicas para considerar capacidad, preferencia, programación, costo y velocidad.
INSTANTÁNEA12 de septiembre de 2026Los enlaces llevan a tablas actualizadas
Evaluación equilibrada
Panorama de modelos avanzados.
Configuraciones destacadas seleccionadas de Artificial Analysis. Se muestra una configuración de mayor puntuación por familia para reducir variantes duplicadas.
| Modelo | Creador | Índice de inteligencia | Costo / tarea | Tokens de salida / s |
|---|---|---|---|---|
| Claude Fable 5.1 | Anthropic | 53 | $7.63 | 65 |
| GPT-6 Astra | OpenAI | 53 | $3.26 | 55 |
| Claude Opus 5 | Anthropic | 51 | $5.86 | 51 |
| Muse Spark 1.3 | Meta | 48 | $1.60 | 206 |
| GLM-5.3 | Z AI | 45 | $2.01 | 62 |
| Grok 4.6 | SpaceXAI | 44 | $1.86 | 55 |
| Kimi K3 | Kimi | 44 | $2.00 | 38 |
| Gemini 3.8 Flash | 41 | $1.24 | 269 |
Mayor es mejor: índice de inteligencia y velocidad.
Menor es mejor: costo por tarea.
Importante: el nivel de razonamiento afecta calidad, tiempo y costo.
Abrir la clasificación completaDistintas perspectivas
¿Qué debemos
medir?
Un benchmark solamente es útil cuando su tarea se parece a la decisión que debemos tomar. Estas cinco preguntas evitan que una cifra atractiva se convierta en toda la historia.
¿Las personas prefieren sus respuestas en comparaciones a ciegas?
Arena
¿Puede el agente completo resolver problemas reales de repositorios?
SWE-bench
¿Cuánto cuesta completar una tarea de evaluación?
Artificial Analysis
¿Qué tan rápido comienza y termina la respuesta?
Artificial Analysis
Mapa de fuentes
Cuatro perspectivas complementarias.
Cada fuente responde una pregunta diferente. Incluimos sus limitaciones porque la incertidumbre transparente forma parte de una comparación confiable.
| Fuente | Qué mide | Por qué ayuda | Qué debemos recordar |
|---|---|---|---|
| Artificial Analysis | Capacidad compuesta, costo de API, velocidad de salida y latencia | Pruebas independientes de modelos propietarios y de pesos abiertos | Un índice compuesto puede ocultar fortalezas y debilidades en tareas individuales |
| Stanford HELM | Capacidades, seguridad y evaluación de visión y lenguaje | Marco académico con escenarios amplios y evaluación transparente | La variedad de modelos y la frecuencia de actualización pueden cambiar entre clasificaciones |
| Arena | Preferencia humana a ciegas en texto, código, visión, imagen y otras áreas | Mide qué respuestas prefieren las personas en comparaciones reales | La preferencia puede favorecer el estilo; no mide objetivamente el éxito de una tarea |
| SWE-bench | Resolución de problemas reales de software en repositorios públicos | Tareas ejecutables y especializadas, con un conjunto Verified filtrado por personas | La puntuación depende del agente completo, no solamente del modelo base |
Método editorial: las afirmaciones de benchmarks publicadas por empresas permanecen como noticias. Solamente los resultados de las tablas externas enlazadas entran en este observatorio, siempre con fecha, fuente, definición y limitaciones.