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-luna-max	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1445,73Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1439,07 – 1452,4Posición en la fuente: 102	max11.260 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1443Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1436,51 – 1449,49Posición en la fuente: 89	max20.985 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloexpert · Bradley-TerryPreferencia / señales de usuarios	1492,16Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1481,27 – 1503,05Posición en la fuente: 56	max3138 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloFrancés · Bradley-TerryPreferencia / señales de usuarios	1478,76Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1457,65 – 1499,87Posición en la fuente: 63	max932 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloAlemán · Bradley-TerryPreferencia / señales de usuarios	1425,27Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1395,28 – 1455,26Posición en la fuente: 102	max402 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1466,38Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1460,67 – 1472,08Posición en la fuente: 85	max17.542 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1466,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1458,66 – 1474,46Posición en la fuente: 94	max6986 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1444,83Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1435,71 – 1453,96Posición en la fuente: 89	max4961 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1414,28Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1406,2 – 1422,36Posición en la fuente: 86	max7311 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1451,25Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1438,34 – 1464,15Posición en la fuente: 93	max2381 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1452,17Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1443,01 – 1461,34Posición en la fuente: 108	max4938 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1469,29Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1454,91 – 1483,68Posición en la fuente: 63	max1770 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1429,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1415,62 – 1443,6Posición en la fuente: 152	max2111 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1490,36Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1483,52 – 1497,19Posición en la fuente: 73	max10.198 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1422,17Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1414,59 – 1429,76Posición en la fuente: 91	max8167 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1441,9Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1435,02 – 1448,78Posición en la fuente: 79	max9780 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1418,04Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1388,48 – 1447,61Posición en la fuente: 70	max498 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estilokorean · Bradley-TerryPreferencia / señales de usuarios	1413,48Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1383,45 – 1443,51Posición en la fuente: 66	max444 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1453,86Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1447,31 – 1460,41Posición en la fuente: 82	max12.296 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1453,18Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1438,18 – 1468,18Posición en la fuente: 74	max1594 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1443,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1433,57 – 1453,64Posición en la fuente: 101	max4124 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1434,1Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1428,4 – 1439,8Posición en la fuente: 84	max17.319 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estilopolish · Bradley-TerryPreferencia / señales de usuarios	1452,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1421,4 – 1483,02Posición en la fuente: 65	max378 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1440,76Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1430,49 – 1451,04Posición en la fuente: 89	max3772 comparaciones Identidad y recursos gpt-6-luna-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
gpt-6-luna-max	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1441,82Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1422,76 – 1460,88Posición en la fuente: 81	max1056 comparaciones Identidad y recursos gpt-6-luna-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 →