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-5.5-xhigh	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1493,64Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1473,35 – 1513,93Posición en la fuente: 30	xhigh864 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1526,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1491,05 – 1562,4Posición en la fuente: 4	xhigh261 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1469,06Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1438,29 – 1499,82Posición en la fuente: 79	xhigh365 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1521,23Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1506,87 – 1535,59Posición en la fuente: 19	xhigh1703 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1469,73Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1453,16 – 1486,3Posición en la fuente: 23	xhigh1351 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1489,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,53 – 1503,88Posición en la fuente: 13	xhigh1626 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1503,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1489,67 – 1516,95Posición en la fuente: 12	xhigh2038 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1512,43Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,46 – 1548,39Posición en la fuente: 8	xhigh252 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1484,1Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1462,27 – 1505,93Posición en la fuente: 31	xhigh699 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1455,3Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1444,3 – 1466,3Posición en la fuente: 50	xhigh2970 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1460,49Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1438,19 – 1482,78Posición en la fuente: 57	xhigh676 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
Deepseek V4.1 Flash (Max)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,038IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,034 – 0,0419Posición en la fuente: 16	max26.482.736 observaciones182.693 sesiones Identidad y recursos Deepseek V4.1 Flash (Max) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1618,6Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1607,66 – 1629,55Posición en la fuente: 23	max3542 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1618,6Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1607,66 – 1629,55Posición en la fuente: 23	max3542 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1612,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1586 – 1638,62Posición en la fuente: 23	max607 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1628,29Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1614,36 – 1642,22Posición en la fuente: 25	max2176 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1474,54Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1468,01 – 1481,06Posición en la fuente: 39	max10.872 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1518,32Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1497,88 – 1538,76Posición en la fuente: 31	max856 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1527,63Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1516,64 – 1538,62Posición en la fuente: 26	max3026 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1439,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1425,91 – 1452,6Posición en la fuente: 59	max2224 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1487,02Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1477,41 – 1496,62Posición en la fuente: 26	max4004 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1483,8Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,1 – 1492,51Posición en la fuente: 41	max7900 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1520,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1503,52 – 1536,92Posición en la fuente: 19	max1238 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloFrancés · Bradley-TerryPreferencia / señales de usuarios	1465,19Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1433,01 – 1497,37Posición en la fuente: 85	max356 comparaciones Identidad y recursos deepseek-v4.1-flash-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
deepseek-v4.1-flash-max	Arena ↗Arena Text · control de estiloAlemán · Bradley-TerryPreferencia / señales de usuarios	1509,49Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1469,66 – 1549,31Posición en la fuente: 5	max191 comparaciones Identidad y recursos deepseek-v4.1-flash-max 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 →