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-terra-xhigh	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1468,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,86 – 1477,09Posición en la fuente: 62	xhigh6539 comparaciones Identidad y recursos gpt-5.6-terra-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-terra-xhigh	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1454,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1449,26 – 1459,54Posición en la fuente: 51	xhigh23.897 comparaciones Identidad y recursos gpt-5.6-terra-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-terra-xhigh	Arena ↗Arena Text · control de estilopolish · Bradley-TerryPreferencia / señales de usuarios	1459,23Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1435,13 – 1483,32Posición en la fuente: 53	xhigh582 comparaciones Identidad y recursos gpt-5.6-terra-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-terra-xhigh	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1467,12Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1457,92 – 1476,32Posición en la fuente: 49	xhigh4573 comparaciones Identidad y recursos gpt-5.6-terra-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-5.6-terra-xhigh	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1460,08Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1442,27 – 1477,89Posición en la fuente: 52	xhigh1194 comparaciones Identidad y recursos gpt-5.6-terra-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
GPT 6.1 Sol (Max)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,1172IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0868 – 0,1477Posición en la fuente: 5	max548.776 observaciones8201 sesiones Identidad y recursos GPT 6.1 Sol (Max) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1755,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1740,39 – 1770,4Posición en la fuente: 4	max2102 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1755,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1740,39 – 1770,4Posición en la fuente: 4	max2102 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1797,35Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1760,43 – 1834,27Posición en la fuente: 1	max392 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1757,87Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1738,86 – 1776,89Posición en la fuente: 5	max1306 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1483,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,56 – 1492,88Posición en la fuente: 21	max4512 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1506,47Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1477,98 – 1534,96Posición en la fuente: 48	max426 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1545,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1525,45 – 1565,08Posición en la fuente: 8	max911 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1461,9Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1442,25 – 1481,55Posición en la fuente: 26	max998 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1492,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1478,19 – 1506,92Posición en la fuente: 17	max1728 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1497,01Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1484,24 – 1509,77Posición en la fuente: 21	max3247 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1534,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1505,95 – 1562,11Posición en la fuente: 8	max390 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1506,76Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1494,81 – 1518,71Posición en la fuente: 20	max2596 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1514,86Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1495,95 – 1533,77Posición en la fuente: 12	max1000 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1484,69Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1462,99 – 1506,4Posición en la fuente: 20	max713 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1460Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1440,82 – 1479,18Posición en la fuente: 21	max1071 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1504,2Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1474,68 – 1533,73Posición en la fuente: 8	max385 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1490,66Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1470,02 – 1511,3Posición en la fuente: 35	max800 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1538,64Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1503,29 – 1573,98Posición en la fuente: 2	max240 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6.1-sol-max	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1481,91Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1449 – 1514,83Posición en la fuente: 53	max315 comparaciones Identidad y recursos gpt-6.1-sol-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 →