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-4-argon-high	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1522,07Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1501,5 – 1542,64Posición en la fuente: 1	high885 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 estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1521,08Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1502,89 – 1539,26Posición en la fuente: 1	high1231 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 estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1534Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1503,96 – 1564,04Posición en la fuente: 2	high401 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 estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1541,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1519,98 – 1562,9Posición en la fuente: 1	high818 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 estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1551,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1519,17 – 1583,27Posición en la fuente: 1	high325 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 estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1551,65Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1518,25 – 1585,06Posición en la fuente: 1	high331 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 estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1563,78Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1549,53 – 1578,03Posición en la fuente: 1	high1821 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 estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1523,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1506,83 – 1540,62Posición en la fuente: 1	high1361 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 estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1528,71Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1514,05 – 1543,38Posición en la fuente: 1	high1750 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 estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1544,65Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1530,82 – 1558,48Posición en la fuente: 1	high2053 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 estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1528,29Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1493,5 – 1563,07Posición en la fuente: 1	high271 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 estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1553,3Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1529,82 – 1576,78Posición en la fuente: 1	high670 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 estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1512,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1501,23 – 1523,52Posición en la fuente: 1	high2996 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 estilorussian · Bradley-TerryPreferencia / señales de usuarios	1528,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1506,13 – 1551,85Posición en la fuente: 1	high666 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 estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1489,54Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1450,83 – 1528,25Posición en la fuente: 9	high218 comparaciones Identidad y recursos gemini-4-argon-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
GPT 5.6 Luna (xHigh)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	-0,0148IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: -0,0217 – -0,0079Posición en la fuente: 36	xhigh4.165.053 observaciones43.264 sesiones Identidad y recursos GPT 5.6 Luna (xHigh) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1452,45Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1448,13 – 1456,77Posición en la fuente: 74	xhigh40.917 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1476,46Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465,27 – 1487,65Posición en la fuente: 99	xhigh3259 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1500,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1494,32 – 1507,67Posición en la fuente: 75	xhigh11.083 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1409,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1401,95 – 1417,17Posición en la fuente: 91	xhigh8576 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1466,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1461,03 – 1472,52Posición en la fuente: 65	xhigh16.566 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1454,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1448,93 – 1460,28Posición en la fuente: 75	xhigh30.598 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1490,27Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1480,94 – 1499,61Posición en la fuente: 60	xhigh4644 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloFrancés · Bradley-TerryPreferencia / señales de usuarios	1482,87Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465,14 – 1500,6Posición en la fuente: 51	xhigh1318 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloAlemán · Bradley-TerryPreferencia / señales de usuarios	1475,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1452,27 – 1498,94Posición en la fuente: 36	xhigh695 comparaciones Identidad y recursos gpt-5.6-luna-xhigh 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 →