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
gpt-5.6-luna-xhigh	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1474,2Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1469,15 – 1479,25Posición en la fuente: 78	xhigh26.900 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 estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1487,11Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1480,42 – 1493,8Posición en la fuente: 62	xhigh10.910 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 estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1462,47Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1454,85 – 1470,09Posición en la fuente: 53	xhigh7664 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 estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1416,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1409,79 – 1423,76Posición en la fuente: 82	xhigh10.746 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 estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1461,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1450,9 – 1472,55Posición en la fuente: 74	xhigh3464 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 estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1460,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1452,19 – 1468,16Posición en la fuente: 90	xhigh6699 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 estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1484,52Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1471,63 – 1497,41Posición en la fuente: 44	xhigh2309 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 estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1439,25Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1427,61 – 1450,89Posición en la fuente: 132	xhigh3032 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 estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1492,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1486,37 – 1498,14Posición en la fuente: 68	xhigh15.867 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 estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1432,73Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1425,98 – 1439,49Posición en la fuente: 75	xhigh11.255 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 estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1443,1Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1437 – 1449,21Posición en la fuente: 78	xhigh14.564 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 estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1427,68Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1401,85 – 1453,52Posición en la fuente: 60	xhigh635 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 estilokorean · Bradley-TerryPreferencia / señales de usuarios	1413,58Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1391,88 – 1435,29Posición en la fuente: 65	xhigh773 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 estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1451,5Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1445,71 – 1457,28Posición en la fuente: 86	xhigh19.276 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 estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1477,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1463,53 – 1490,83Posición en la fuente: 44	xhigh1933 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 estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1457,41Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1449,29 – 1465,53Posición en la fuente: 77	xhigh6565 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 estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1435,85Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1430,71 – 1440,99Posición en la fuente: 80	xhigh24.345 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 estilopolish · Bradley-TerryPreferencia / señales de usuarios	1437,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1412,95 – 1461,12Posición en la fuente: 88	xhigh601 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 estilorussian · Bradley-TerryPreferencia / señales de usuarios	1447,06Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1437,9 – 1456,21Posición en la fuente: 83	xhigh4679 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 estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1465,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1447,09 – 1483,42Posición en la fuente: 42	xhigh1171 comparaciones Identidad y recursos gpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
GPT 5.6 Sol (xHigh)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,0623IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0495 – 0,0752Posición en la fuente: 12	xhigh4.382.657 observaciones35.768 sesiones Identidad y recursos GPT 5.6 Sol (xHigh) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-sol-xhigh	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1485,07Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1480,68 – 1489,46Posición en la fuente: 20	xhigh38.490 comparaciones Identidad y recursos gpt-5.6-sol-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-sol-xhigh	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1541,48Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1529,98 – 1552,98Posición en la fuente: 11	xhigh2973 comparaciones Identidad y recursos gpt-5.6-sol-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-sol-xhigh	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1534,91Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1528,08 – 1541,74Posición en la fuente: 13	xhigh10.395 comparaciones Identidad y recursos gpt-5.6-sol-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-sol-xhigh	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1467,81Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,01 – 1475,62Posición en la fuente: 20	xhigh7962 comparaciones Identidad y recursos gpt-5.6-sol-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 →