Explorar todos los modelos
Comparar modelos de IA
Revisión diariaCompara los resultados dentro de la misma suite LiveBench. La primera columna muestra la media con el mismo peso para cada categoría; también se muestran por separado. Son puntuaciones de referencia, no una calificación universal.
Ordenar por prueba
LiveBench · Versión del conjunto de pruebas 14 oct 2026Última revisión 49 configuraciones evaluadasHaz clic en el encabezado de una columna para ordenar.
| # | Modelo y configuración | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 1 | 88,0 | 80,8 | 91,7 | 97,7 | 100,0 | 80,3 | 82,0 | 83,4 | |
| 2 | 86,5 | 85,0 | 92,2 | 96,3 | 80,0 | 80,3 | 85,0 | 86,9 | |
| 3 | 86,1 | 82,4 | 92,7 | 93,7 | 84,0 | 83,0 | 85,2 | 82,0 | |
| 4 | 85,4 | 73,0 | 92,6 | 96,0 | 88,0 | 82,7 | 83,5 | 82,1 | |
| 5 | 84,1 | 69,9 | 95,1 | 89,7 | 92,0 | 85,2 | 83,1 | 73,7 | |
| 6 | 83,6 | 53,2 | 89,7 | 98,3 | 92,0 | 80,5 | 86,9 | 84,7 | |
| 7 | 82,5 | 78,8 | 91,6 | 94,7 | 84,0 | 59,5 | 83,6 | 85,0 | |
| 8 | 82,1 | 62,1 | 91,2 | 90,8 | 84,0 | 74,6 | 88,9 | 83,0 | |
| 9 | 81,9 | 66,9 | 88,7 | 93,1 | 92,0 | 81,2 | 69,3 | 82,2 | |
| 10 | 79,2 | 50,9 | 89,1 | 96,0 | 76,0 | 79,5 | 79,5 | 83,4 | |
| 11 | 78,1 | 53,2 | 90,6 | 86,2 | 72,0 | 81,6 | 88,0 | 75,1 | |
| 12 | 78,0 | 40,1 | 86,7 | 90,2 | 84,0 | 79,3 | 86,8 | 79,2 | |
| 13 | 76,8 | 48,3 | 89,2 | 77,3 | 96,0 | 66,0 | 81,8 | 78,8 | |
| 14 | 76,3 | 48,5 | 91,7 | 89,7 | 88,0 | 79,8 | 54,5 | 81,6 | |
| 15 | 75,6 | 57,6 | 82,4 | 91,4 | 80,0 | 53,1 | 81,9 | 83,1 | |
| 16 | 75,0 | 48,4 | 90,6 | 86,2 | 84,0 | 79,3 | 60,4 | 76,0 | |
| 17 | 74,9 | 40,7 | 91,2 | 89,1 | 64,0 | 75,3 | 84,5 | 79,8 | |
| 18 | 74,9 | 47,5 | 79,6 | 81,5 | 88,0 | 72,3 | 76,7 | 78,5 | |
| 19 | 74,8 | 40,4 | 89,7 | 90,2 | 80,0 | 79,6 | 68,6 | 74,8 | |
| 20 | 74,1 | 50,1 | 82,7 | 84,5 | 60,0 | 76,9 | 86,4 | 78,0 |
Desplázate horizontalmente para ver todas las columnas de pruebas.
Qué miden las columnas
- Tareas agénticas largas:
- Trabajo prolongado de código y apps en muchos pasos
- Razonamiento:
- Acertijos lógicos y resolución de problemas
- Programación:
- Escribir y completar código
- Uso del navegador:
- Tareas de varios pasos en aplicaciones web reales
- Análisis de datos:
- Preguntas sobre tablas y datos
- Investigación:
- Informes de investigación abiertos
- Diseño:
- Maquetación y diseño de documentos y diapositivas
Pruebas y metodología
Una fuente de pruebas: LiveBench. Las columnas son partes de esta fuente, no benchmarks independientes. Las puntuaciones usan la escala original de 0–100. Elige la columna que se usará para la clasificación; un guion indica que faltan datos.
Cada configuración exacta del modelo se muestra por separado. Para calcular la media de una categoría se necesitan los resultados de todas sus tareas; para la media general, los resultados de todas las categorías. Las tareas tienen el mismo peso dentro de cada categoría y las categorías tienen el mismo peso en el total. Los resultados faltantes nunca cuentan como cero. La clasificación se calcula con los valores sin redondear de la columna elegida y permite empates; la búsqueda conserva la posición en la prueba completa. Las puntuaciones antiguas no determinan la clasificación. Los decimales mostrados no demuestran que exista una diferencia significativa. Esta vista abarca una suite de pruebas, no todos los modelos actuales ni todos los tipos de capacidad.
La fecha de la suite identifica la versión de la prueba. LiveBench sigue incorporando modelos y actualizando los resultados de esa versión; la fecha de consulta indica cuándo obtuvimos sus datos en vivo.
LiveBench · Fuente ↗Más pruebas y resultados históricos →