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 |
|---|---|---|---|---|
| qwen/qwen3.8-max-0902 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 26,97 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 23,19 % – 30,75 % | claude-code 2.1.285 · razonamiento max330 intentos66 tareas × 5 intentos por tarea89 intentos correctos4635,67 US$ · coste registrado del lote completo52,09 US$ por intento correcto · lote / aciertosclaude-code 2.1.285Versión: 4.0Identidad y recursosqwen/qwen3.8-max-0902 Tokens del lote: 2.957.967.711 Duración media por intento: 9953 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| 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: 4.0Identidad y recursosanthropic/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 Captura: Fecha 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: 4.0Identidad y recursosanthropic/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 Captura: Fecha 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: 4.0Identidad y recursosopenai/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 Captura: Fecha 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: 4.0Identidad y recursosopenai/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 Captura: Fecha 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: 4.0Identidad y recursosopenai/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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| anthropic/claude-fable-5-1 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 57,88 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 54,12 % – 61,64 % | claude-code 2.1.257 · razonamiento max330 intentos66 tareas × 5 intentos por tarea191 intentos correctos6243,50 US$ · coste registrado del lote completo32,69 US$ por intento correcto · lote / aciertosclaude-code 2.1.257Versión: 4.0Identidad y recursosanthropic/claude-fable-5-1 Tokens del lote: 2.746.221.560 Duración media por intento: 3893,5 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| gemini/gemini-3.7-flash | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 11,21 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 8,76 % – 13,66 % | mini-swe-agent 2.4.6 · razonamiento high330 intentos66 tareas × 5 intentos por tarea37 intentos correctos1261,87 US$ · coste registrado del lote completo34,10 US$ por intento correcto · lote / aciertosmini-swe-agent 2.4.6Versión: 4.0Identidad y recursosgemini/gemini-3.7-flash Tokens del lote: 11.137.189.802 Duración media por intento: 1688,9 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| gemini/gemini-3.8-flash | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 19,09 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 15,73 % – 22,45 % | mini-swe-agent 2.4.6 · razonamiento high330 intentos66 tareas × 5 intentos por tarea63 intentos correctos0,00 US$ · coste registrado del lote completo0,00 US$ por intento correcto · lote / aciertos0 USD registrados no demuestra que la API sea gratuita.mini-swe-agent 2.4.6Versión: 4.0Identidad y recursosgemini/gemini-3.8-flash Tokens del lote: 17.189.729.495 Duración media por intento: 1995,1 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| anthropic/claude-fable-5 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 44,55 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 40,7 % – 48,4 % | claude-code 2.1.231 · razonamiento max330 intentos66 tareas × 5 intentos por tarea147 intentos correctos7265,01 US$ · coste registrado del lote completo49,42 US$ por intento correcto · lote / aciertosclaude-code 2.1.231Versión: 4.0Identidad y recursosanthropic/claude-fable-5 Tokens del lote: 3.785.220.369 Duración media por intento: 4202,8 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| anthropic/claude-opus-4-8 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 23,64 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 20,08 % – 27,2 % | claude-code 2.1.231 · razonamiento max330 intentos66 tareas × 5 intentos por tarea78 intentos correctos6481,26 US$ · coste registrado del lote completo83,09 US$ por intento correcto · lote / aciertosclaude-code 2.1.231Versión: 4.0Identidad y recursosanthropic/claude-opus-4-8 Tokens del lote: 6.415.823.126 Duración media por intento: 5163 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| anthropic/claude-opus-5 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 51,82 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 48,43 % – 55,21 % | claude-code 2.1.231 · razonamiento max330 intentos66 tareas × 5 intentos por tarea171 intentos correctos5969,11 US$ · coste registrado del lote completo34,91 US$ por intento correcto · lote / aciertosclaude-code 2.1.231Versión: 4.0Identidad y recursosanthropic/claude-opus-5 Tokens del lote: 6.527.147.637 Duración media por intento: 4792,8 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| anthropic/claude-sonnet-5 | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 12,42 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 9,36 % – 15,48 % | claude-code 2.1.231 · razonamiento max330 intentos66 tareas × 5 intentos por tarea41 intentos correctos9603,86 US$ · coste registrado del lote completo234,24 US$ por intento correcto · lote / aciertosclaude-code 2.1.231Versión: 4.0Identidad y recursosanthropic/claude-sonnet-5 Tokens del lote: 21.562.180.742 Duración media por intento: 6510,3 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| openai/gpt-5.6-luna | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 17,27 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 14,42 % – 20,12 % | codex 0.149.1 · razonamiento max330 intentos66 tareas × 5 intentos por tarea57 intentos correctos346,67 US$ · coste registrado del lote completo6,08 US$ por intento correcto · lote / aciertoscodex 0.149.1Versión: 4.0Identidad y recursosopenai/gpt-5.6-luna Tokens del lote: 11.557.463.640 Duración media por intento: 4088,3 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| openai/gpt-5.6-sol | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 37,27 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 33,49 % – 41,05 % | codex 0.149.1 · razonamiento max330 intentos66 tareas × 5 intentos por tarea123 intentos correctos2541,70 US$ · coste registrado del lote completo20,66 US$ por intento correcto · lote / aciertoscodex 0.149.1Versión: 4.0Identidad y recursosopenai/gpt-5.6-sol Tokens del lote: 4.409.948.969 Duración media por intento: 2388,4 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.Metodología ↗ |
| openai/gpt-5.6-terra | Terminal-Bench ↗Terminal-Bench 4.0 · agente + modeloAgentes en terminal · accuracyPrueba técnica de agente + modelo | 21,52 %Porcentaje del evaluador · escala 0–100Un valor mayor es mejor en esta métricaIntervalo 95 %: 18,27 % – 24,77 % | codex 0.149.1 · razonamiento max330 intentos66 tareas × 5 intentos por tarea71 intentos correctos1733,52 US$ · coste registrado del lote completo24,42 US$ por intento correcto · lote / aciertoscodex 0.149.1Versión: 4.0Identidad y recursosopenai/gpt-5.6-terra Tokens del lote: 5.683.805.798 Duración media por intento: 2514,6 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 Captura: Fecha del archivo de entrega, no de ejecución ni de lanzamiento.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 →