Resultados de las pruebas de modelos

Comparar modelos de IA

Revisión diaria

Compara resultados, explora distintas fortalezas y descubre modelos más allá de los nombres conocidos.

LiveBench evalúa modelos con tareas cuyas respuestas se pueden verificar. Cuanto más alto, mejor, en una escala de 0 a 100.

Última revisión: 22 oct 2026Versión del conjunto de pruebas: 2026-10-1449 modelos

1Claude Fable 5.1Anthropic87,986

claude-fable-5.1

Tareas agénticas largas: 80,800 / 100
Razonamiento: 91,700 / 100
Programación: 97,700 / 100
Uso del navegador: 100,000 / 100
Análisis de datos: 80,300 / 100
Investigación: 82,000 / 100
Diseño: 83,400 / 100

Tareas individuales

long_agentic: 80,800
reasoning: 91,700
coding: 97,700
browser: 100,000
data_analysis: 80,300
research: 82,000
design: 83,400

Fuente: LiveBench ↗

2Claude Opus 5.5Anthropic86,529

claude-opus-5.5

Tareas agénticas largas: 85,000 / 100
Razonamiento: 92,200 / 100
Programación: 96,300 / 100
Uso del navegador: 80,000 / 100
Análisis de datos: 80,300 / 100
Investigación: 85,000 / 100
Diseño: 86,900 / 100

Tareas individuales

long_agentic: 85,000
reasoning: 92,200
coding: 96,300
browser: 80,000
data_analysis: 80,300
research: 85,000
design: 86,900

Fuente: LiveBench ↗

3GPT-6 AstraOpenAI86,143

gpt-6-astra

Tareas agénticas largas: 82,400 / 100
Razonamiento: 92,700 / 100
Programación: 93,700 / 100
Uso del navegador: 84,000 / 100
Análisis de datos: 83,000 / 100
Investigación: 85,200 / 100
Diseño: 82,000 / 100

Tareas individuales

long_agentic: 82,400
reasoning: 92,700
coding: 93,700
browser: 84,000
data_analysis: 83,000
research: 85,200
design: 82,000

Fuente: LiveBench ↗

4GPT-6.1 SolOpenAI85,414

gpt-6.1-sol

Tareas agénticas largas: 73,000 / 100
Razonamiento: 92,600 / 100
Programación: 96,000 / 100
Uso del navegador: 88,000 / 100
Análisis de datos: 82,700 / 100
Investigación: 83,500 / 100
Diseño: 82,100 / 100

Tareas individuales

long_agentic: 73,000
reasoning: 92,600
coding: 96,000
browser: 88,000
data_analysis: 82,700
research: 83,500
design: 82,100

Fuente: LiveBench ↗

5Gemini 4 ArgonGoogle84,100

gemini-4-argon

Tareas agénticas largas: 69,900 / 100
Razonamiento: 95,100 / 100
Programación: 89,700 / 100
Uso del navegador: 92,000 / 100
Análisis de datos: 85,200 / 100
Investigación: 83,100 / 100
Diseño: 73,700 / 100

Tareas individuales

long_agentic: 69,900
reasoning: 95,100
coding: 89,700
browser: 92,000
data_analysis: 85,200
research: 83,100
design: 73,700

Fuente: LiveBench ↗

6Claude Fable 5Anthropic83,614

claude-fable-5

Tareas agénticas largas: 53,200 / 100
Razonamiento: 89,700 / 100
Programación: 98,300 / 100
Uso del navegador: 92,000 / 100
Análisis de datos: 80,500 / 100
Investigación: 86,900 / 100
Diseño: 84,700 / 100

Tareas individuales

long_agentic: 53,200
reasoning: 89,700
coding: 98,300
browser: 92,000
data_analysis: 80,500
research: 86,900
design: 84,700

Fuente: LiveBench ↗

7Claude Sonnet 5.5Anthropic82,457

claude-sonnet-5.5

Tareas agénticas largas: 78,800 / 100
Razonamiento: 91,600 / 100
Programación: 94,700 / 100
Uso del navegador: 84,000 / 100
Análisis de datos: 59,500 / 100
Investigación: 83,600 / 100
Diseño: 85,000 / 100

Tareas individuales

long_agentic: 78,800
reasoning: 91,600
coding: 94,700
browser: 84,000
data_analysis: 59,500
research: 83,600
design: 85,000

Fuente: LiveBench ↗

8Claude Opus 5Anthropic82,086

claude-opus-5

Tareas agénticas largas: 62,100 / 100
Razonamiento: 91,200 / 100
Programación: 90,800 / 100
Uso del navegador: 84,000 / 100
Análisis de datos: 74,600 / 100
Investigación: 88,900 / 100
Diseño: 83,000 / 100

Tareas individuales

long_agentic: 62,100
reasoning: 91,200
coding: 90,800
browser: 84,000
data_analysis: 74,600
research: 88,900
design: 83,000

Fuente: LiveBench ↗

9GPT-6 SolOpenAI81,914

gpt-6-sol

Tareas agénticas largas: 66,900 / 100
Razonamiento: 88,700 / 100
Programación: 93,100 / 100
Uso del navegador: 92,000 / 100
Análisis de datos: 81,200 / 100
Investigación: 69,300 / 100
Diseño: 82,200 / 100

Tareas individuales

long_agentic: 66,900
reasoning: 88,700
coding: 93,100
browser: 92,000
data_analysis: 81,200
research: 69,300
design: 82,200

Fuente: LiveBench ↗

10DeepSeek V4.1 Flash 1017DeepSeek79,200

deepseek-v4.1-flash-1017

Tareas agénticas largas: 50,900 / 100
Razonamiento: 89,100 / 100
Programación: 96,000 / 100
Uso del navegador: 76,000 / 100
Análisis de datos: 79,500 / 100
Investigación: 79,500 / 100
Diseño: 83,400 / 100

Tareas individuales

long_agentic: 50,900
reasoning: 89,100
coding: 96,000
browser: 76,000
data_analysis: 79,500
research: 79,500
design: 83,400

Fuente: LiveBench ↗

11Muse Wonder 1.0Meta78,100

muse-wonder-1.0

Tareas agénticas largas: 53,200 / 100
Razonamiento: 90,600 / 100
Programación: 86,200 / 100
Uso del navegador: 72,000 / 100
Análisis de datos: 81,600 / 100
Investigación: 88,000 / 100
Diseño: 75,100 / 100

Tareas individuales

long_agentic: 53,200
reasoning: 90,600
coding: 86,200
browser: 72,000
data_analysis: 81,600
research: 88,000
design: 75,100

Fuente: LiveBench ↗

12DeepSeek V4.1 FlashDeepSeek78,043

deepseek-v4.1-flash

Tareas agénticas largas: 40,100 / 100
Razonamiento: 86,700 / 100
Programación: 90,200 / 100
Uso del navegador: 84,000 / 100
Análisis de datos: 79,300 / 100
Investigación: 86,800 / 100
Diseño: 79,200 / 100

Tareas individuales

long_agentic: 40,100
reasoning: 86,700
coding: 90,200
browser: 84,000
data_analysis: 79,300
research: 86,800
design: 79,200

Fuente: LiveBench ↗

13Claude Opus 4.8Anthropic76,771

claude-opus-4.8

Tareas agénticas largas: 48,300 / 100
Razonamiento: 89,200 / 100
Programación: 77,300 / 100
Uso del navegador: 96,000 / 100
Análisis de datos: 66,000 / 100
Investigación: 81,800 / 100
Diseño: 78,800 / 100

Tareas individuales

long_agentic: 48,300
reasoning: 89,200
coding: 77,300
browser: 96,000
data_analysis: 66,000
research: 81,800
design: 78,800

Fuente: LiveBench ↗

14GPT-5.6 SolOpenAI76,257

gpt-5.6-sol

Tareas agénticas largas: 48,500 / 100
Razonamiento: 91,700 / 100
Programación: 89,700 / 100
Uso del navegador: 88,000 / 100
Análisis de datos: 79,800 / 100
Investigación: 54,500 / 100
Diseño: 81,600 / 100

Tareas individuales

long_agentic: 48,500
reasoning: 91,700
coding: 89,700
browser: 88,000
data_analysis: 79,800
research: 54,500
design: 81,600

Fuente: LiveBench ↗

15Claude Haiku 5.5Anthropic75,643

claude-haiku-5.5

Tareas agénticas largas: 57,600 / 100
Razonamiento: 82,400 / 100
Programación: 91,400 / 100
Uso del navegador: 80,000 / 100
Análisis de datos: 53,100 / 100
Investigación: 81,900 / 100
Diseño: 83,100 / 100

Tareas individuales

long_agentic: 57,600
reasoning: 82,400
coding: 91,400
browser: 80,000
data_analysis: 53,100
research: 81,900
design: 83,100

Fuente: LiveBench ↗

16GPT-5.6 TerraOpenAI74,986

gpt-5.6-terra

Tareas agénticas largas: 48,400 / 100
Razonamiento: 90,600 / 100
Programación: 86,200 / 100
Uso del navegador: 84,000 / 100
Análisis de datos: 79,300 / 100
Investigación: 60,400 / 100
Diseño: 76,000 / 100

Tareas individuales

long_agentic: 48,400
reasoning: 90,600
coding: 86,200
browser: 84,000
data_analysis: 79,300
research: 60,400
design: 76,000

Fuente: LiveBench ↗

17Grok 4.6 xHighxAI74,943

grok-4.6

Tareas agénticas largas: 40,700 / 100
Razonamiento: 91,200 / 100
Programación: 89,100 / 100
Uso del navegador: 64,000 / 100
Análisis de datos: 75,300 / 100
Investigación: 84,500 / 100
Diseño: 79,800 / 100

Tareas individuales

long_agentic: 40,700
reasoning: 91,200
coding: 89,100
browser: 64,000
data_analysis: 75,300
research: 84,500
design: 79,800

Fuente: LiveBench ↗

18MiMo V2.6 ProXiaomi74,871

mimo-v2.6-pro

Tareas agénticas largas: 47,500 / 100
Razonamiento: 79,600 / 100
Programación: 81,500 / 100
Uso del navegador: 88,000 / 100
Análisis de datos: 72,300 / 100
Investigación: 76,700 / 100
Diseño: 78,500 / 100

Tareas individuales

long_agentic: 47,500
reasoning: 79,600
coding: 81,500
browser: 88,000
data_analysis: 72,300
research: 76,700
design: 78,500

Fuente: LiveBench ↗

19Muse Spark 1.3Meta74,757

muse-spark-1.3

Tareas agénticas largas: 40,400 / 100
Razonamiento: 89,700 / 100
Programación: 90,200 / 100
Uso del navegador: 80,000 / 100
Análisis de datos: 79,600 / 100
Investigación: 68,600 / 100
Diseño: 74,800 / 100

Tareas individuales

long_agentic: 40,400
reasoning: 89,700
coding: 90,200
browser: 80,000
data_analysis: 79,600
research: 68,600
design: 74,800

Fuente: LiveBench ↗

20Grok 4.7xAI74,086

grok-4.7

Tareas agénticas largas: 50,100 / 100
Razonamiento: 82,700 / 100
Programación: 84,500 / 100
Uso del navegador: 60,000 / 100
Análisis de datos: 76,900 / 100
Investigación: 86,400 / 100
Diseño: 78,000 / 100

Tareas individuales

long_agentic: 50,100
reasoning: 82,700
coding: 84,500
browser: 60,000
data_analysis: 76,900
research: 86,400
design: 78,000

Fuente: LiveBench ↗

Ordenados según resultados sin redondear. Las puntuaciones similares no demuestran que haya una diferencia significativa.

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.

Cómo funciona la comparación

La puntuación general que se muestra aquí es el promedio con el mismo peso de todas las categorías de LiveBench en una misma versión del benchmark. Para calcular un total, se necesitan resultados de todas las tareas. Las puntuaciones de Arena se muestran por separado porque miden preferencias. No emparejamos modelos con nombres similares de distintas fuentes: las versiones y los ajustes de razonamiento pueden variar. Estas pruebas no cubren todos los modelos ni todas las tareas del mundo real.

Datos de origen: LiveBench; Arena / LMArena (CC BY 4.0). Oossa calcula los promedios de tareas que se muestran y presenta los resultados en un formato más sencillo. Arena ↗ · Fuente ↗ · CC BY 4.0 ↗