Datos externos · octubre de 2026

Benchmarks con apellido, fecha y contexto.

Busca el dato que responde a tu tarea. Una preferencia, una tasa de acierto y el coste de un experimento miden cosas distintas; aquí puedes consultarlos sin mezclarlos en una nota universal.

Corte guardado

Datos consultables, no llamadas a modelos.

Resultados por tarea y configuración1337

Modelos exactos cubiertos35

Fuentes con resultados4

Resultados técnicos53

Las filas incluyen categorías y configuraciones, no ese número de benchmarks independientes. Se actualizan a petición y conservan su fecha de origen. Captura del corte: 16/10/2026.

Explorador de evidencias

Filtra la tarea antes de leer la cifra.

Pruebas técnicas Señales de preferencia Todos los datos

Buscar modelo, proveedor, prueba o configuraciónFuenteTipo de evidenciaModeloTarea o categoríaOrden

Limpiar

Para consultar Arena, selecciona «Preferencia / uso» o «Todos los tipos» en el filtro de evidencia. Sus votos no son una prueba técnica de aciertos.

Resultados publicados. Cada fila conserva su escala y condiciones; no es un ranking global.
Versión evaluada	Fuente y tarea	Resultado publicado	Configuración, muestra y recursos	Fecha y trazabilidad
claude-opus-5-high	Arena ↗Arena Text · control de estilokorean · Bradley-TerryPreferencia / señales de usuarios	1495,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,94 – 1514,5Posición en la fuente: 5	high1194 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1504,27Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1498,92 – 1509,62Posición en la fuente: 10	high29.739 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1499,92Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1493,5 – 1506,34Posición en la fuente: 14	max14.449 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1520,95Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1509,35 – 1532,54Posición en la fuente: 5	high2975 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1514,12Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1498,29 – 1529,95Posición en la fuente: 7	max1429 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1486Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,63 – 1495,36Posición en la fuente: 26	max4621 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1483,68Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,51 – 1490,84Posición en la fuente: 33	high9790 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1480,9Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,15 – 1486,66Posición en la fuente: 14	max18.232 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1480,28Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,59 – 1484,98Posición en la fuente: 15	high37.248 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estilopolish · Bradley-TerryPreferencia / señales de usuarios	1503,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,73 – 1530,48Posición en la fuente: 6	max472 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estilopolish · Bradley-TerryPreferencia / señales de usuarios	1502,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1482,06 – 1522,73Posición en la fuente: 7	high918 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1495,9Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1488,04 – 1503,75Posición en la fuente: 13	high7600 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1492,14Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1481,73 – 1502,54Posición en la fuente: 20	max3646 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1486,38Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465,5 – 1507,26Posición en la fuente: 10	max871 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1476,7Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1461,52 – 1491,88Posición en la fuente: 21	high1825 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
Claude Opus 5.5 (High)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,1433IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,1215 – 0,1651Posición en la fuente: 1	high940.970 observaciones6103 sesiones Identidad y recursos Claude Opus 5.5 (High) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-max	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1813,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1797,69 – 1828,37Posición en la fuente: 1	max2294 comparaciones Identidad y recursos claude-opus-5.5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-max	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1813,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1797,69 – 1828,37Posición en la fuente: 1	max2294 comparaciones Identidad y recursos claude-opus-5.5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-max	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1760,75Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1693,59 – 1827,92Posición en la fuente: 3	max111 comparaciones Identidad y recursos claude-opus-5.5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-max	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1862,6Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1843,05 – 1882,14Posición en la fuente: 1	max1576 comparaciones Identidad y recursos claude-opus-5.5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-high	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1507,08Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1498,97 – 1515,18Posición en la fuente: 2	high6272 comparaciones Identidad y recursos claude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-high	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1577,64Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1552,87 – 1602,41Posición en la fuente: 2	high574 comparaciones Identidad y recursos claude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-high	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1549,52Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1533,78 – 1565,27Posición en la fuente: 5	high1444 comparaciones Identidad y recursos claude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-high	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1517,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1500,27 – 1534,16Posición en la fuente: 2	high1480 comparaciones Identidad y recursos claude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5.5-high	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1509,92Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1497,49 – 1522,35Posición en la fuente: 4	high2405 comparaciones Identidad y recursos claude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗

No ordenamos por puntuación escalas incompatibles. El CSV conserva la unidad original, las fuentes, la licencia y las configuraciones; no incluye datos privados de usuarios.

Estado de la conexión

Qué aporta cada fuente.

1284 resultados guardados

Arena

Preferencia y señales de usuarios por categoría; no es una tasa de acierto universal.

Datos conservados · última actualización no completada

Consultar esta fuente →Repositorio o documentación oficial ↗

13 resultados guardados

MTEB

Resultados de tareas de embeddings enviados al repositorio del benchmark; no todos los ejecuta el equipo de MTEB.

Datos disponibles

Consultar esta fuente →Repositorio o documentación oficial ↗

24 resultados guardados

Berkeley BFCL

Uso de herramientas, llamadas a funciones y escenarios de varios turnos. FC y Prompt se conservan separados; el coste es una estimación del benchmark completo.

Datos disponibles

Consultar esta fuente →Repositorio o documentación oficial ↗

16 resultados guardados

Terminal-Bench

Tareas de agentes en terminal. El resultado pertenece al conjunto agente, versión, modelo y esfuerzo de razonamiento; no al modelo aislado.

Datos disponibles

Consultar esta fuente →Repositorio o documentación oficial ↗

Sin corte importado

Artificial Analysis

Índices, velocidad, latencia y rankings Elo de LLM y modalidades multimedia desde su API oficial. Requiere una clave de datos y atribución; no consume tokens de inferencia.

Pendiente de clave gratuita de datos

Consultar esta fuente →Repositorio o documentación oficial ↗

Explorar las evidencias

Las cifras bajan hasta la versión.

Atribución y reutilización

Los autores del dato siguen visibles.

Arena · CC-BY-4.0Condiciones oficiales de uso ↗MTEB · CC0-1.0Condiciones oficiales de uso ↗Berkeley BFCL · Apache-2.0Condiciones oficiales de uso ↗Terminal-Bench · Apache-2.0Condiciones oficiales de uso ↗Artificial Analysis · API con atribuciónCondiciones oficiales de uso ↗

Arena publica el dataset bajo CC-BY-4.0; MTEB distribuye sus resultados bajo CC0; los archivos importados de Berkeley BFCL y Terminal-Bench están bajo Apache-2.0. IA Versus selecciona versiones y columnas, mantiene la precisión guardada y redondea solo la presentación.

Copia de licencia BFCL Copia de licencia Terminal-Bench

Artificial Analysis solo se consulta mediante su API oficial cuando exista una clave configurada. La tabla descargable de SWE-bench tiene condiciones no comerciales: no la importamos aquí sin permiso.

Cómo leer resultados y costes

No inventamos una prueba que no hemos hecho.

Arena mide preferencia y señales de uso. MTEB evalúa tareas de embeddings; nDCG en porcentaje no significa porcentaje de tareas resueltas. BFCL prueba herramientas con modos FC y Prompt distintos. Terminal-Bench mide agentes en terminal y necesita conservar también su versión.

El coste publicado pertenece al experimento completo, no a una tarifa API vigente. Cuando hay aciertos e importe registrado, mostramos lote / intentos correctos como cálculo descriptivo, no como coste de una tarea real ni promesa de eficiencia. Un coste registrado de cero no demuestra acceso gratuito.

La fecha de un archivo de entrega tampoco es la fecha de ejecución o de lanzamiento del modelo. Un corte antiguo se señala sin cambiar su fecha para aparentar una prueba reciente. Estas cifras no generan automáticamente un ganador ni una nota global.

Leer la metodología de IA Versus →