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
gemini-3.8-flash-high	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1490,3Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1482,72 – 1497,88Posición en la fuente: 8	high8697 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1488,46Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1481,59 – 1495,34Posición en la fuente: 14	high11.246 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1500,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1472,69 – 1527,74Posición en la fuente: 9	high569 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estilokorean · Bradley-TerryPreferencia / señales de usuarios	1446,91Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1420,23 – 1473,59Posición en la fuente: 24	high567 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1510,49Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1503,94 – 1517,05Posición en la fuente: 7	high14.609 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1522,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1507,12 – 1537,61Posición en la fuente: 4	high1584 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1502,92Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1493,58 – 1512,27Posición en la fuente: 8	high4708 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1486,27Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1480,46 – 1492,08Posición en la fuente: 8	high19.020 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estilopolish · Bradley-TerryPreferencia / señales de usuarios	1490,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1462,63 – 1517,98Posición en la fuente: 17	high453 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1515,36Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1505,42 – 1525,31Posición en la fuente: 5	high4026 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.8-flash-high	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1475,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1457,28 – 1494,57Posición en la fuente: 22	high1060 comparaciones Identidad y recursos gemini-3.8-flash-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
Gemini 4 Argon (High)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,0926IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,069 – 0,1162Posición en la fuente: 7	high1.152.355 observaciones17.963 sesiones Identidad y recursos Gemini 4 Argon (High) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1677,81Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1662,42 – 1693,2Posición en la fuente: 9	high1771 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1677,81Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1662,42 – 1693,2Posición en la fuente: 9	high1771 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1642,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1594,34 – 1690,17Posición en la fuente: 15	high188 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1689,83Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1669,85 – 1709,8Posición en la fuente: 10	high1089 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1525,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1516,55 – 1534,24Posición en la fuente: 1	high4892 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1587,73Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1556,33 – 1619,14Posición en la fuente: 1	high368 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1561,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1544,74 – 1579,12Posición en la fuente: 1	high1233 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1519,17Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1499,59 – 1538,75Posición en la fuente: 1	high1053 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1533,66Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1519,78 – 1547,55Posición en la fuente: 1	high1896 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1553,66Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1541,41 – 1565,91Posición en la fuente: 1	high3655 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1542,6Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1516,61 – 1568,59Posición en la fuente: 4	high519 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1551Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1539,98 – 1562,02Posición en la fuente: 1	high3118 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gemini-4-argon-high	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1553,91Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1536,44 – 1571,39Posición en la fuente: 1	high1202 comparaciones Identidad y recursos gemini-4-argon-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 →