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-6.1-sol-max	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1535,23Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1519,88 – 1550,57Posición en la fuente: 7	max1529 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 estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1480,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1463,44 – 1497,77Posición en la fuente: 14	max1273 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 estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1488,13Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1471,91 – 1504,34Posición en la fuente: 15	max1355 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 estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1495,46Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1480,86 – 1510,06Posición en la fuente: 20	max1736 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 estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1488,13Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1452,85 – 1523,4Posición en la fuente: 29	max247 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 estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1486,89Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1462,79 – 1511Posición en la fuente: 25	max600 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 estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1471,3Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1459,88 – 1482,72Posición en la fuente: 22	max2782 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 estilorussian · Bradley-TerryPreferencia / señales de usuarios	1487,02Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1463,91 – 1510,14Posición en la fuente: 24	max646 comparaciones Identidad y recursos gpt-6.1-sol-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
GPT 6 Astra (Max)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,1309IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,1073 – 0,1546Posición en la fuente: 2	max915.013 observaciones12.029 sesiones Identidad y recursos GPT 6 Astra (Max) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1786,11Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1775,15 – 1797,08Posición en la fuente: 2	max5189 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1786,11Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1775,15 – 1797,08Posición en la fuente: 2	max5189 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1784,45Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1760,8 – 1808,1Posición en la fuente: 2	max1063 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1810,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1796,68 – 1825,26Posición en la fuente: 3	max3044 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1475,11Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1468,52 – 1481,7Posición en la fuente: 35	max10.536 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1507,09Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1486,67 – 1527,5Posición en la fuente: 47	max803 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1541,57Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1529,34 – 1553,8Posición en la fuente: 9	max2424 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1447,55Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1434,53 – 1460,57Posición en la fuente: 42	max2367 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1485,94Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,53 – 1495,34Posición en la fuente: 28	max4269 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1486,63Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1477,99 – 1495,28Posición en la fuente: 29	max7813 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1507,62Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1489,01 – 1526,22Posición en la fuente: 31	max1026 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloFrancés · Bradley-TerryPreferencia / señales de usuarios	1499,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1463,53 – 1534,82Posición en la fuente: 28	max281 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloAlemán · Bradley-TerryPreferencia / señales de usuarios	1473,4Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1426,87 – 1519,93Posición en la fuente: 39	max161 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1500,34Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1492,39 – 1508,29Posición en la fuente: 33	max6408 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1505,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1494,07 – 1517,87Posición en la fuente: 25	max2591 comparaciones Identidad y recursos gpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-astra-max	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1474,23Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,34 – 1488,12Posición en la fuente: 32	max1872 comparaciones Identidad y recursos gpt-6-astra-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 →