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-5.6-luna-xhigh | Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1461,98Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1453,6 – 1470,37Posición en la fuente: 23 | xhigh5766 comparacionesIdentidad y recursosgpt-5.6-luna-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-sol-xhigh | Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1488,67Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1479,77 – 1497,57Posición en la fuente: 8 | xhigh4818 comparacionesIdentidad y recursosgpt-5.6-sol-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-terra-xhigh | Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1476,65Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1468,33 – 1484,98Posición en la fuente: 14 | xhigh5787 comparacionesIdentidad y recursosgpt-5.6-terra-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-6-astra-max | Arena ↗Arena Document · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1472,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1458,27 – 1486,85Posición en la fuente: 17 | max1621 comparacionesIdentidad y recursosgpt-6-astra-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-fable-5 | Arena ↗Arena Search · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1228,92Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1220,94 – 1236,9Posición en la fuente: 2 | Configuración indicada en la fuente41.795 comparacionesIdentidad y recursosclaude-fable-5 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| claude-opus-4-8 | Arena ↗Arena Search · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1195,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1188,59 – 1201,46Posición en la fuente: 13 | Configuración indicada en la fuente70.998 comparacionesIdentidad y recursosclaude-opus-4-8 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| gpt-5.6-sol-xhigh | Arena ↗Arena Search · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios | 1255,76Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1248,08 – 1263,45Posición en la fuente: 1 | xhigh29.663 comparacionesIdentidad y recursosgpt-5.6-sol-xhigh Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Metodología ↗ |
| llama-4-maverick-17b-128e-instruct | Arena ↗Arena Vision · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1127,8Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1090,05 – 1165,56Posición en la fuente: 33 | Configuración indicada en la fuente250 comparacionesIdentidad y recursosllama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Corte anterior: más de 90 días respecto a su captura.Metodología ↗ |
| llama-4-scout-17b-16e-instruct | Arena ↗Arena Vision · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios | 1137,93Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1101,15 – 1174,71Posición en la fuente: 31 | Configuración indicada en la fuente265 comparacionesIdentidad y recursosllama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872 | Publicado Captura: Corte anterior: más de 90 días respecto a su 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 →