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
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2BioMedicalLecturesRetrievalEspañol · nDCG@10Evaluación técnica aportada al benchmark	63,94 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/spanishmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: a29202f0da409034d651614d87cd8938d254e2ea Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2BioMedicalLecturesRetrievalInglés · nDCG@10Evaluación técnica aportada al benchmark	63,91 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/englishmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: a29202f0da409034d651614d87cd8938d254e2ea Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2BioMedicalLecturesRetrievalAlemán · nDCG@10Evaluación técnica aportada al benchmark	63,38 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/germanmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: a29202f0da409034d651614d87cd8938d254e2ea Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2EconomicsReportsRetrievalFrancés · nDCG@10Evaluación técnica aportada al benchmark	52,51 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/frenchmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: b3e3a04b07fbbaffe79be49dabf92f691fbca252 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2EconomicsReportsRetrievalEspañol · nDCG@10Evaluación técnica aportada al benchmark	53,01 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/spanishmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: b3e3a04b07fbbaffe79be49dabf92f691fbca252 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2EconomicsReportsRetrievalInglés · nDCG@10Evaluación técnica aportada al benchmark	57,32 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/englishmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: b3e3a04b07fbbaffe79be49dabf92f691fbca252 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2EconomicsReportsRetrievalAlemán · nDCG@10Evaluación técnica aportada al benchmark	54,14 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/germanmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: b3e3a04b07fbbaffe79be49dabf92f691fbca252 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2ESGReportsRetrievalFrancés · nDCG@10Evaluación técnica aportada al benchmark	65,47 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/frenchmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: 0542c0d03da0ec1c8cbc517c8d78e7e95c75d3d3 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2ESGReportsRetrievalEspañol · nDCG@10Evaluación técnica aportada al benchmark	67,39 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/spanishmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: 0542c0d03da0ec1c8cbc517c8d78e7e95c75d3d3 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2ESGReportsRetrievalInglés · nDCG@10Evaluación técnica aportada al benchmark	66,59 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/englishmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: 0542c0d03da0ec1c8cbc517c8d78e7e95c75d3d3 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
google/gemini-embedding-2	MTEB ↗MTEB · Vidore2ESGReportsRetrievalAlemán · nDCG@10Evaluación técnica aportada al benchmark	65,13 %Escala original 0–1, mostrada en %Un valor mayor es mejor en esta métrica	3072 dimensiones · revisión 1 · test/germanmteb 2.18.20Versión: 2.18.20 Identidad y recursos google/gemini-embedding-2 Dataset: 0542c0d03da0ec1c8cbc517c8d78e7e95c75d3d3 Revisión fuente: 0ecfb78c805f76733d4fa017a8c924712b8120b9	Evaluado 16/8/2026Captura: 16/10/2026Metodología ↗
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 comparaciones Identidad y recursos llama-4-maverick-17b-128e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 9/1/2026Captura: 9/10/2026Corte 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 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 9/1/2026Captura: 9/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Búsqueda webBúsqueda web · Web Search AccEvaluación técnica externa	83,5 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	FC · llamadas a funciones nativas14,23 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Búsqueda webBúsqueda web · Web Search AccEvaluación técnica externa	19,5 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	Prompt · funciones mediante instrucciones45,13 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Funciones · AST no liveLlamadas a funciones · Non-Live AST AccEvaluación técnica externa	86,5 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	FC · llamadas a funciones nativas14,23 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Funciones · AST no liveLlamadas a funciones · Non-Live AST AccEvaluación técnica externa	55,42 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	Prompt · funciones mediante instrucciones45,13 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Funciones · casos liveLlamadas a funciones · Live AccEvaluación técnica externa	78,68 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	FC · llamadas a funciones nativas14,23 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Funciones · casos liveLlamadas a funciones · Live AccEvaluación técnica externa	52,48 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	Prompt · funciones mediante instrucciones45,13 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Latencia · percentil 95Latencia · Latency 95th Percentile (s)Evaluación técnica externa	3,15 sMedida del evaluadorUn valor menor es mejor en esta métrica	FC · llamadas a funciones nativas14,23 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Latencia · percentil 95Latencia · Latency 95th Percentile (s)Evaluación técnica externa	3,77 sMedida del evaluadorUn valor menor es mejor en esta métrica	Prompt · funciones mediante instrucciones45,13 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Latencia mediaLatencia · Latency Mean (s)Evaluación técnica externa	1,68 sMedida del evaluadorUn valor menor es mejor en esta métrica	FC · llamadas a funciones nativas14,23 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · Latencia mediaLatencia · Latency Mean (s)Evaluación técnica externa	3,75 sMedida del evaluadorUn valor menor es mejor en esta métrica	Prompt · funciones mediante instrucciones45,13 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · MemoriaMemoria · Memory AccEvaluación técnica externa	54,41 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	FC · llamadas a funciones nativas14,23 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte anterior: más de 90 días respecto a su captura.Metodología ↗
Claude-Haiku-4-5-20251001	Berkeley BFCL ↗BFCL V4 · MemoriaMemoria · Memory AccEvaluación técnica externa	2,58 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métrica	Prompt · funciones mediante instrucciones45,13 US$ · coste estimado del benchmark completoBFCL V4 · archivo oficialVersión: 4 Identidad y recursos Claude-Haiku-4-5-20251001 El coste pertenece al experimento completo, incluidos fallos; no es una tarifa API actual ni el coste de esta categoría aislada. Revisión fuente: cadd76a8dc62984e7bf15ecaf358f070bae745cc	Publicado 16/12/2025Captura: 16/10/2026Corte 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.

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 →