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
mistral-large-3	Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios	1194,47Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1171,32 – 1217,61Posición en la fuente: 73	Configuración indicada en la fuente761 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios	1234,32Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1220,43 – 1248,21Posición en la fuente: 77	Configuración indicada en la fuente2057 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1211,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1198,77 – 1223,84Posición en la fuente: 80	Configuración indicada en la fuente2797 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios	1208,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1187,06 – 1230,07Posición en la fuente: 90	Configuración indicada en la fuente828 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios	1182,48Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1151,7 – 1213,25Posición en la fuente: 71	Configuración indicada en la fuente386 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1216,08Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1207,16 – 1224,99Posición en la fuente: 81	Configuración indicada en la fuente5458 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1199,47Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1189,86 – 1209,08Posición en la fuente: 86	Configuración indicada en la fuente5379 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1214,79Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1175,98 – 1253,59Posición en la fuente: 78	Configuración indicada en la fuente289 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estilocreative_writing_vision · Bradley-TerryPreferencia / señales de usuarios	1199,42Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1166,07 – 1232,78Posición en la fuente: 71	Configuración indicada en la fuente349 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estilodiagram · Bradley-TerryPreferencia / señales de usuarios	1241,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1225,8 – 1258,13Posición en la fuente: 72	Configuración indicada en la fuente1542 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1216,75Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1202,88 – 1230,62Posición en la fuente: 75	Configuración indicada en la fuente2317 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estilohomework · Bradley-TerryPreferencia / señales de usuarios	1216,38Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1194,3 – 1238,46Posición en la fuente: 87	Configuración indicada en la fuente804 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estilohumor · Bradley-TerryPreferencia / señales de usuarios	1196,62Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1157,19 – 1236,05Posición en la fuente: 62	Configuración indicada en la fuente237 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
mistral-medium-3.5	Arena ↗Arena Vision · control de estiloocr · Bradley-TerryPreferencia / señales de usuarios	1214,62Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1204,08 – 1225,17Posición en la fuente: 83	Configuración indicada en la fuente3908 comparaciones Identidad y recursos mistral-medium-3.5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 2/10/2026Captura: 9/10/2026Metodología ↗
anthropic/claude-opus-5-5	Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo	64,85 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 61,74 % – 67,96 %	claude-code 2.1.284 · razonamiento max330 intentos66 tareas × 5 intentos por tarea214 intentos correctos4718,65 US$ · coste registrado del lote completo22,05 US$ por intento correcto · lote / aciertosclaude-code 2.1.284Versión: 4.0 Identidad y recursos anthropic/claude-opus-5-5 Tokens del lote: 8.034.082.467 Duración media por intento: 4790,4 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044	Archivo fechado 30/9/2026Captura: 16/10/2026Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗
anthropic/claude-sonnet-5-5	Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo	61,82 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 58,88 % – 64,76 %	claude-code 2.1.284 · razonamiento max330 intentos66 tareas × 5 intentos por tarea204 intentos correctos7333,64 US$ · coste registrado del lote completo35,95 US$ por intento correcto · lote / aciertosclaude-code 2.1.284Versión: 4.0 Identidad y recursos anthropic/claude-sonnet-5-5 Tokens del lote: 19.413.047.384 Duración media por intento: 7431,6 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044	Archivo fechado 30/9/2026Captura: 16/10/2026Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗
openai/gpt-6.1-sol	Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo	58,18 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 55,07 % – 61,29 %	codex 0.159.0 · razonamiento max330 intentos66 tareas × 5 intentos por tarea192 intentos correctos634,24 US$ · coste registrado del lote completo3,30 US$ por intento correcto · lote / aciertoscodex 0.159.0Versión: 4.0 Identidad y recursos openai/gpt-6.1-sol Tokens del lote: 1.459.936.514 Duración media por intento: 3176,7 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044	Archivo fechado 30/9/2026Captura: 16/10/2026Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗
openai/gpt-6-luna	Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo	16,36 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 13,64 % – 19,08 %	codex 0.159.0 · razonamiento max330 intentos66 tareas × 5 intentos por tarea54 intentos correctos72,14 US$ · coste registrado del lote completo1,34 US$ por intento correcto · lote / aciertoscodex 0.159.0Versión: 4.0 Identidad y recursos openai/gpt-6-luna Tokens del lote: 3.909.124.893 Duración media por intento: 2284,1 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044	Archivo fechado 30/9/2026Captura: 16/10/2026Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗
openai/gpt-6-sol	Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo	49,39 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 46,16 % – 52,62 %	codex 0.159.0 · razonamiento max330 intentos66 tareas × 5 intentos por tarea163 intentos correctos1451,32 US$ · coste registrado del lote completo8,90 US$ por intento correcto · lote / aciertoscodex 0.159.0Versión: 4.0 Identidad y recursos openai/gpt-6-sol Tokens del lote: 4.977.940.044 Duración media por intento: 2662,2 s Intentos descalificados: 0 Dataset: sha256:39d9f44b40420cde8fdcc087579c0d72a7e14fa3656d603c3f0d22fb35e27732 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: 2e29ca91d5f1cb6fb60924bf867acc755565c044	Archivo fechado 30/9/2026Captura: 16/10/2026Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗
gemini-omni-flash	Arena ↗Arena Image-to-VideoGeneral · Bradley-TerryPreferencia / señales de usuarios	1464,83Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1459,29 – 1470,37Posición en la fuente: 6	Configuración indicada en la fuente87.155 comparaciones Identidad y recursos gemini-omni-flash Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 22/9/2026Captura: 9/10/2026Metodología ↗
gemini-omni-flash	Arena ↗Arena Text-to-VideoGeneral · Bradley-TerryPreferencia / señales de usuarios	1512,89Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1503,93 – 1521,84Posición en la fuente: 2	Configuración indicada en la fuente26.576 comparaciones Identidad y recursos gemini-omni-flash Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 22/9/2026Captura: 9/10/2026Metodología ↗
claude-fable-5	Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1498,88Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1490,93 – 1506,82Posición en la fuente: 1	Configuración indicada en la fuente8497 comparaciones Identidad y recursos claude-fable-5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 13/9/2026Captura: 9/10/2026Metodología ↗
claude-fable-5.1-max	Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1492,83Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1477,55 – 1508,11Posición en la fuente: 6	max1403 comparaciones Identidad y recursos claude-fable-5.1-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 13/9/2026Captura: 9/10/2026Metodología ↗
claude-haiku-4-5-20251001	Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1418,73Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1412,76 – 1424,7Posición en la fuente: 42	Configuración indicada en la fuente34.677 comparaciones Identidad y recursos claude-haiku-4-5-20251001 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 13/9/2026Captura: 9/10/2026Metodología ↗
claude-opus-4-8-high	Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1485,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1478,98 – 1492,89Posición en la fuente: 9	high11.551 comparaciones Identidad y recursos claude-opus-4-8-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 13/9/2026Captura: 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 →