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
claude-opus-4-8	Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios	1266,89Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1244,61 – 1289,17Posición en la fuente: 19	Configuración indicada en la fuente777 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1299,04Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1292,39 – 1305,69Posición en la fuente: 17	high13.046 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1293,13Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1286,45 – 1299,82Posición en la fuente: 26	Configuración indicada en la fuente13.307 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1289Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1282,12 – 1295,88Posición en la fuente: 14	high15.900 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1368,86Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1347,6 – 1390,11Posición en la fuente: 2	high943 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios	1276,51Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1259,61 – 1293,42Posición en la fuente: 20	high1444 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios	1330,62Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1320,31 – 1340,92Posición en la fuente: 6	high4045 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1284Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1274,21 – 1293,79Posición en la fuente: 11	high5603 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios	1330,07Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1314,96 – 1345,19Posición en la fuente: 13	high1652 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios	1263,61Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1241,49 – 1285,74Posición en la fuente: 22	high782 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1305,12Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1297,92 – 1312,32Posición en la fuente: 11	high10.924 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1264,47Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1257,45 – 1271,48Posición en la fuente: 39	high13.029 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1317,96Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1295,16 – 1340,76Posición en la fuente: 26	high798 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios	1240,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1220,55 – 1259,86Posición en la fuente: 48	high1023 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios	1297,74Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1286,9 – 1308,59Posición en la fuente: 36	high3430 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1263,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1253,9 – 1273,97Posición en la fuente: 41	high5000 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios	1311,24Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1294,73 – 1327,75Posición en la fuente: 23	high1367 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios	1252,24Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1226,6 – 1277,89Posición en la fuente: 34	high571 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5-high	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1283,04Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1275,74 – 1290,34Posición en la fuente: 37	high9136 comparaciones Identidad y recursos claude-sonnet-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1268,34Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1253,15 – 1283,52Posición en la fuente: 35	xhigh1608 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios	1306,3Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1275,87 – 1336,73Posición en la fuente: 31	xhigh374 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1266,86Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1240,14 – 1293,58Posición en la fuente: 39	xhigh501 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios	1316,64Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1279,29 – 1353,99Posición en la fuente: 21	xhigh233 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
claude-sonnet-5.5-xhigh	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1277,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1259,79 – 1295,09Posición en la fuente: 41	xhigh1150 comparaciones Identidad y recursos claude-sonnet-5.5-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
gemini-3.1-pro-preview	Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1279,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1274,07 – 1284,55Posición en la fuente: 27	Configuración indicada en la fuente45.558 comparaciones Identidad y recursos gemini-3.1-pro-preview Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 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 →