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-5.5-high	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1526,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1515 – 1537,44Posición en la fuente: 2	high4604 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 estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1536,41Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1513,95 – 1558,87Posición en la fuente: 6	high712 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 estiloFrancés · Bradley-TerryPreferencia / señales de usuarios	1510,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1469,46 – 1552,4Posición en la fuente: 11	high201 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 estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1533,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1523,14 – 1543,3Posición en la fuente: 2	high3901 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 estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1533,19Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1517,63 – 1548,76Posición en la fuente: 3	high1517 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 estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1493,55Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,58 – 1511,52Posición en la fuente: 9	high1138 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 estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1499,5Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1483,87 – 1515,13Posición en la fuente: 2	high1657 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 estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1500,78Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,85 – 1526,71Posición en la fuente: 12	high549 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 estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1518,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1499,88 – 1536,75Posición en la fuente: 9	high1062 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 estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1502,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1473,78 – 1531,11Posición en la fuente: 16	high376 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 estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1516,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1487,28 – 1546,67Posición en la fuente: 4	high429 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 estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1538,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1525,73 – 1551,16Posición en la fuente: 4	high2247 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 estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1519,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1505,17 – 1534,69Posición en la fuente: 2	high1867 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 estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1518,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1505,67 – 1532,32Posición en la fuente: 2	high2158 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 estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1523,69Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1511,27 – 1536,1Posición en la fuente: 2	high2640 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 estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1499,24Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1467,87 – 1530,6Posición en la fuente: 16	high324 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 estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1498,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1477,22 – 1519,21Posición en la fuente: 10	high804 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 estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1497,25Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1487,19 – 1507,3Posición en la fuente: 2	high3863 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 estilorussian · Bradley-TerryPreferencia / señales de usuarios	1516,04Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1495,21 – 1536,87Posición en la fuente: 3	high791 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 estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1491,1Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1452,46 – 1529,74Posición en la fuente: 8	high222 comparaciones Identidad y recursos claude-opus-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
Claude Sonnet 5 (High)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,0491IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0323 – 0,066Posición en la fuente: 13	high3.611.373 observaciones32.372 sesiones Identidad y recursos Claude Sonnet 5 (High) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1540,79Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1534,64 – 1546,94Posición en la fuente: 43	high14.574 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1540,79Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1534,64 – 1546,94Posición en la fuente: 43	high14.574 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1528,06Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1513,28 – 1542,85Posición en la fuente: 47	high1920 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1541,87Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1534,78 – 1548,97Posición en la fuente: 41	high10.006 comparaciones Identidad y recursos claude-sonnet-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 →