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.

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 →

Versión evaluada	Fuente y tarea	Resultado publicado	Configuración, muestra y recursos	Fecha y trazabilidad
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloDerecho y administración · Bradley-TerryPreferencia / señales de usuarios	1340,62Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1326,79 – 1354,44Posición en la fuente: 238	Configuración indicada en la fuente1980 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloCiencias · Bradley-TerryPreferencia / señales de usuarios	1333,82Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1324,86 – 1342,79Posición en la fuente: 259	Configuración indicada en la fuente4985 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloTrabajos matemáticos · Bradley-TerryPreferencia / señales de usuarios	1313,97Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1300,25 – 1327,69Posición en la fuente: 246	Configuración indicada en la fuente1805 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloMedicina y salud · Bradley-TerryPreferencia / señales de usuarios	1341,44Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1326,66 – 1356,22Posición en la fuente: 245	Configuración indicada en la fuente1817 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloSoftware y servicios de TI · Bradley-TerryPreferencia / señales de usuarios	1349,28Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1342,46 – 1356,11Posición en la fuente: 260	Configuración indicada en la fuente9504 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloRedacción, literatura y lengua · Bradley-TerryPreferencia / señales de usuarios	1304,69Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1296,96 – 1312,42Posición en la fuente: 251	Configuración indicada en la fuente6710 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloSeguimiento de instrucciones · Bradley-TerryPreferencia / señales de usuarios	1299,01Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1291,69 – 1306,33Posición en la fuente: 264	Configuración indicada en la fuente7481 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estilojapanese · Bradley-TerryPreferencia / señales de usuarios	1258,56Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1236,14 – 1280,97Posición en la fuente: 187	Configuración indicada en la fuente764 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estilokorean · Bradley-TerryPreferencia / señales de usuarios	1269,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1244,03 – 1294,71Posición en la fuente: 201	Configuración indicada en la fuente649 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estilolonger_query · Bradley-TerryPreferencia / señales de usuarios	1325,52Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1317,21 – 1333,84Posición en la fuente: 257	Configuración indicada en la fuente5814 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloMatemáticas · Bradley-TerryPreferencia / señales de usuarios	1309,42Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1296,2 – 1322,65Posición en la fuente: 240	Configuración indicada en la fuente1942 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloVarios turnos · Bradley-TerryPreferencia / señales de usuarios	1319,31Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1310,57 – 1328,06Posición en la fuente: 249	Configuración indicada en la fuente5234 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estilonon_english · Bradley-TerryPreferencia / señales de usuarios	1297,58Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1291,85 – 1303,3Posición en la fuente: 261	Configuración indicada en la fuente16.782 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estilopolish · Bradley-TerryPreferencia / señales de usuarios	1322,51Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1309,34 – 1335,67Posición en la fuente: 193	Configuración indicada en la fuente2467 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estilorussian · Bradley-TerryPreferencia / señales de usuarios	1307,95Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1295,66 – 1320,24Posición en la fuente: 250	Configuración indicada en la fuente2275 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
llama-4-scout-17b-16e-instruct	Arena ↗Arena Text · control de estiloEspañol · Bradley-TerryPreferencia / señales de usuarios	1315,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1291,76 – 1339,78Posición en la fuente: 222	Configuración indicada en la fuente710 comparaciones Identidad y recursos llama-4-scout-17b-16e-instruct Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena CodeGeneral · Bradley-TerryPreferencia / señales de usuarios	1230,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1204,9 – 1255,84Posición en la fuente: 133	Configuración indicada en la fuente839 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Codewebdev · Bradley-TerryPreferencia / señales de usuarios	1230,37Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1204,9 – 1255,84Posición en la fuente: 133	Configuración indicada en la fuente839 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Codewebdev-html · Bradley-TerryPreferencia / señales de usuarios	1238,53Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1212,42 – 1264,64Posición en la fuente: 132	Configuración indicada en la fuente839 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Text · control de estiloGeneral · Bradley-TerryPreferencia / señales de usuarios	1413,77Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1410,89 – 1416,65Posición en la fuente: 143	Configuración indicada en la fuente81.759 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Text · control de estiloChino · Bradley-TerryPreferencia / señales de usuarios	1432,8Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1424,81 – 1440,79Posición en la fuente: 153	Configuración indicada en la fuente6207 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Text · control de estiloProgramación · Bradley-TerryPreferencia / señales de usuarios	1470,28Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1465,47 – 1475,1Posición en la fuente: 125	Configuración indicada en la fuente20.587 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Text · control de estiloEscritura creativa · Bradley-TerryPreferencia / señales de usuarios	1373,75Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1368,09 – 1379,41Posición en la fuente: 150	Configuración indicada en la fuente14.582 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Text · control de estiloInglés · Bradley-TerryPreferencia / señales de usuarios	1427Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1423,02 – 1430,98Posición en la fuente: 136	Configuración indicada en la fuente33.964 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗
mistral-large-3	Arena ↗Arena Text · control de estiloexclude_ties · Bradley-TerryPreferencia / señales de usuarios	1401,12Arena Score · Bradley-TerryUn valor mayor es mejor en esta métricaIntervalo: 1397,12 – 1405,12Posición en la fuente: 141	Configuración indicada en la fuente59.774 comparaciones Identidad y recursos mistral-large-3 Revisión fuente: 088c607919d1d0d3385409070657f4623e414872	Publicado 8/10/2026Captura: 9/10/2026Metodología ↗