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-opus-5-high	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1515,25Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1510,66 – 1519,83Posición en la fuente: 12	high41.192 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloPrompts difíciles · Bradley-TerryPreferencia / señales de usuarios	1513,86Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1508,17 – 1519,56Posición en la fuente: 13	max19.807 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1514,45Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1508,39 – 1520,51Posición en la fuente: 14	high16.599 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloPrompts difíciles en inglés · Bradley-TerryPreferencia / señales de usuarios	1511,79Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1504,21 – 1519,38Posición en la fuente: 16	max7929 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1485,35Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1478,62 – 1492,08Posición en la fuente: 17	high11.898 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloEmpresa, gestión y operaciones financieras · Bradley-TerryPreferencia / señales de usuarios	1484,2Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1475,52 – 1492,89Posición en la fuente: 22	max5729 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1464,02Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1457,73 – 1470,32Posición en la fuente: 14	high16.721 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloEntretenimiento, deportes y medios · Bradley-TerryPreferencia / señales de usuarios	1460,21Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1452,43 – 1468Posición en la fuente: 20	max8160 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1503,32Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1491,01 – 1515,62Posición en la fuente: 9	max2659 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1501,22Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1492,07 – 1510,38Posición en la fuente: 10	high5376 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1511,96Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1503,01 – 1520,92Posición en la fuente: 15	max5137 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1509,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1502,4 – 1516,34Posición en la fuente: 17	high10.760 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1534,99Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1524,02 – 1545,96Posición en la fuente: 3	high3544 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1517,8Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1502,83 – 1532,77Posición en la fuente: 8	max1703 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1510,27Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1497,05 – 1523,49Posición en la fuente: 9	max2314 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1503,43Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1493,77 – 1513,09Posición en la fuente: 16	high4691 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1523,8Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1518,28 – 1529,31Posición en la fuente: 16	high23.515 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1515,76Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1509,09 – 1522,43Posición en la fuente: 25	max11.207 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1479,79Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1472,29 – 1487,29Posición en la fuente: 15	max8805 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1479,08Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1472,99 – 1485,16Posición en la fuente: 16	high17.986 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1496,85Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1491,19 – 1502,52Posición en la fuente: 8	high22.294 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1493,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1486,52 – 1500,35Posición en la fuente: 9	max10.663 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-high	Arena ↗Arena Text · control de estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1506,67Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1485,09 – 1528,25Posición en la fuente: 4	high1039 comparaciones Identidad y recursos claude-opus-5-high Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1501,84Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1473,35 – 1530,33Posición en la fuente: 7	max521 comparaciones Identidad y recursos claude-opus-5-max Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
claude-opus-5-max	Arena ↗Arena Text · control de estilokorean · Bradley-TerryPreferencia / señales de usuarios	1499,03Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1473,92 – 1524,14Posición en la fuente: 2	max608 comparaciones Identidad y recursos claude-opus-5-max 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 →