Corte guardado
Datos consultables, no llamadas a modelos.
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: .
Explorador de evidencias
Filtra la tarea antes de leer la cifra.
Para consultar Arena, selecciona «Preferencia / uso» o «Todos los tipos» en el filtro de evidencia. Sus votos no son una prueba técnica de aciertos.
| Versión evaluada | Fuente y tarea | Resultado publicado | Configuración, muestra y recursos | Fecha y trazabilidad |
|---|---|---|---|---|
| gpt-6-astra-max | Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1284,35Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1273,02 – 1295,68Posición en la fuente: 20 | max3175 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios | 1357,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1315,7 – 1400,23Posición en la fuente: 3 | max201 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios | 1285,35Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1251,45 – 1319,24Posición en la fuente: 15 | max340 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios | 1310,74Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1288,72 – 1332,77Posición en la fuente: 22 | max752 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios | 1288,83Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1269,89 – 1307,77Posición en la fuente: 10 | max1055 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios | 1342,11Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1313,61 – 1370,62Posición en la fuente: 3 | max411 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios | 1299,17Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1285,95 – 1312,39Posición en la fuente: 16 | max2145 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1145,24Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1136,12 – 1154,36Posición en la fuente: 113 | Configuración indicada en la fuente6923 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios | 1147,58Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1113,07 – 1182,09Posición en la fuente: 98 | Configuración indicada en la fuente294 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios | 1108,42Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1065,81 – 1151,03Posición en la fuente: 95 | Configuración indicada en la fuente214 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios | 1152,38Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1132,99 – 1171,76Posición en la fuente: 107 | Configuración indicada en la fuente947 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios | 1150,39Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1138,59 – 1162,19Posición en la fuente: 115 | Configuración indicada en la fuente3387 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios | 1164,69Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1139,45 – 1189,93Posición en la fuente: 103 | Configuración indicada en la fuente526 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios | 1097,75Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1057,57 – 1137,93Posición en la fuente: 86 | Configuración indicada en la fuente216 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios | 1152,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1141,18 – 1164,75Posición en la fuente: 107 | Configuración indicada en la fuente3082 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1127,35Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1117,85 – 1136,86Posición en la fuente: 119 | Configuración indicada en la fuente6451 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios | 1128,06Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1092,02 – 1164,1Posición en la fuente: 100 | Configuración indicada en la fuente278 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios | 1137,86Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1096,67 – 1179,05Posición en la fuente: 91 | Configuración indicada en la fuente238 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios | 1150,81Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1130,79 – 1170,84Posición en la fuente: 108 | Configuración indicada en la fuente845 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios | 1145,25Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1132,71 – 1157,79Posición en la fuente: 117 | Configuración indicada en la fuente3100 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios | 1147,88Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1121,76 – 1174,01Posición en la fuente: 107 | Configuración indicada en la fuente480 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios | 1101,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1057,14 – 1146,41Posición en la fuente: 85 | Configuración indicada en la fuente191 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios | 1130,84Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1118,37 – 1143,31Posición en la fuente: 114 | Configuración indicada en la fuente2792 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| mistral-large-3 | Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1200,58Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1192,44 – 1208,73Posición en la fuente: 85 | Configuración indicada en la fuente8160 comparacionesIdentidad y recursosmistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| mistral-large-3 | Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios | 1205,28Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1177,49 – 1233,06Posición en la fuente: 82 | Configuración indicada en la fuente511 comparacionesIdentidad y recursosmistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
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.
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 ↗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 ↗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 ↗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 ↗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 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.
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 →