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-haiku-4-5-20251001	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1429,57Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1419,12 – 1440,03Posición en la fuente: 104	Configuración indicada en la fuente4242 comparaciones Identidad y recursos claude-haiku-4-5-20251001 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-haiku-5.5-high	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1586,94Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1567,34 – 1606,55Posición en la fuente: 30	high978 comparaciones Identidad y recursos claude-haiku-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-haiku-5.5-high	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1586,94Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1567,34 – 1606,55Posición en la fuente: 30	high978 comparaciones Identidad y recursos claude-haiku-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-haiku-5.5-high	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1609,32Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1555,33 – 1663,3Posición en la fuente: 24	high129 comparaciones Identidad y recursos claude-haiku-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-haiku-5.5-high	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1604,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1579,24 – 1629,17Posición en la fuente: 28	high624 comparaciones Identidad y recursos claude-haiku-5.5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
Claude Opus 4.8 (High)	Arena ↗Agent Arena · agregadoGeneral · IPSPreferencia / señales de usuarios	0,0713IPS · no es un porcentajeUn valor mayor es mejor en esta métricaIntervalo 95 %: 0,0576 – 0,085Posición en la fuente: 11	high2.362.086 observaciones40.308 sesiones Identidad y recursos Claude Opus 4.8 (High) Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1555,88Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1550,11 – 1561,66Posición en la fuente: 37	high18.534 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1535,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1530,06 – 1541,47Posición en la fuente: 46	Configuración indicada en la fuente17.435 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1555,88Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1550,11 – 1561,66Posición en la fuente: 37	high18.534 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1535,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1530,06 – 1541,47Posición en la fuente: 46	Configuración indicada en la fuente17.435 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1542,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1529,23 – 1556,75Posición en la fuente: 43	high2268 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1524,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1511,51 – 1537,1Posición en la fuente: 49	Configuración indicada en la fuente2436 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1556,84Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1550,23 – 1563,45Posición en la fuente: 37	high11.924 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Codewebdev-react · Bradley-TerryPreferencia / señales de usuarios	1537,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1530,77 – 1543,84Posición en la fuente: 43	Configuración indicada en la fuente12.404 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1481,45Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1477,58 – 1485,32Posición en la fuente: 25	high64.177 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1474,26Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1470,41 – 1478,1Posición en la fuente: 40	Configuración indicada en la fuente65.259 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1525,47Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1515,88 – 1535,06Posición en la fuente: 24	high4396 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1525,15Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1515,57 – 1534,72Posición en la fuente: 25	Configuración indicada en la fuente4441 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1533,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1527,41 – 1539,03Posición en la fuente: 16	high17.444 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1529,07Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1523,29 – 1534,86Posición en la fuente: 23	Configuración indicada en la fuente18.083 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1469,2Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1462,65 – 1475,75Posición en la fuente: 18	high12.842 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1463,01Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1456,5 – 1469,52Posición en la fuente: 25	Configuración indicada en la fuente12.860 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1489,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1484,73 – 1494,71Posición en la fuente: 22	high28.032 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1481,5Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1476,52 – 1486,49Posición en la fuente: 36	Configuración indicada en la fuente28.751 comparaciones Identidad y recursos claude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1493,72Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1488,65 – 1498,79Posición en la fuente: 24	high48.203 comparaciones Identidad y recursos claude-opus-4-8-high 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 →