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-sonnet-5-high	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1461,02Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1456,84 – 1465,19Posición en la fuente: 57	high47.576 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1496,85Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1486,51 – 1507,18Posición en la fuente: 65	high3647 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1519,07Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1512,77 – 1525,36Posición en la fuente: 36	high12.804 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1435,25Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1428,11 – 1442,4Posición en la fuente: 64	high9859 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1470,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465 – 1475,74Posición en la fuente: 58	high20.092 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1466,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,77 – 1471,59Posición en la fuente: 57	high35.638 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1510,83Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1502,13 – 1519,53Posición en la fuente: 26	high5297 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloFrancés · Bradley-TerryPreferencia / señales de usuarios	1486,69Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1469,92 – 1503,47Posición en la fuente: 44	high1525 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloAlemán · Bradley-TerryPreferencia / señales de usuarios	1464,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1442,13 – 1487,31Posición en la fuente: 52	high758 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1489,54Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1484,71 – 1494,37Posición en la fuente: 47	high31.339 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1493,39Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1487,19 – 1499,59Posición en la fuente: 43	high13.242 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1463,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1456,94 – 1471,04Posición en la fuente: 51	high9182 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1432,02Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1425,44 – 1438,59Posición en la fuente: 65	high12.274 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1475,68Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465,76 – 1485,6Posición en la fuente: 44	high4091 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1487,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1479,8 – 1494,62Posición en la fuente: 44	high7861 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1486,88Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,97 – 1498,8Posición en la fuente: 40	high2606 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1478,7Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1467,82 – 1489,58Posición en la fuente: 60	high3435 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1503,16Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1497,61 – 1508,71Posición en la fuente: 47	high18.455 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1451,39Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1445,07 – 1457,71Posición en la fuente: 52	high13.051 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1465,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,06 – 1471,49Posición en la fuente: 40	high16.791 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1442,28Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1418,05 – 1466,52Posición en la fuente: 41	high699 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estilokorean · Bradley-TerryPreferencia / señales de usuarios	1431,59Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1410,05 – 1453,13Posición en la fuente: 41	high831 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1481,14Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,67 – 1486,61Posición en la fuente: 41	high22.103 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1473,02Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,2 – 1485,84Posición en la fuente: 50	high2168 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1473,01Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465,58 – 1480,44Posición en la fuente: 52	high8044 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 →