Benchmarks de modelos de IA

Líderes por categoría

El primer puesto de cada benchmark con datos. Comparalos solo dentro del mismo benchmark.

Modelos de frontera

En Promptea, un modelo es “de frontera” si está entre los 5 primeros de al menos un benchmark de capacidad general del snapshot vigente: los índices Intelligence, Coding o Agentic de Artificial Analysis, o las corridas de GPQA Diamond y τ-bench de OpenRouter.

Usamos estos porque miden capacidad amplia —razonamiento, programación y trabajo agéntico—. Los rankings especializados (configuraciones de búsqueda, arenas de diseño) se muestran, pero una victoria puntual ahí no alcanza para llamar a un modelo “de frontera”. La lista cambia cuando cambian los datos.

• Claude Fable 5.1 (Max, Default Fallback)

  Anthropic

  • #3 en Intelligence Index
  • #1 en Coding Index
  • #1 en Agentic Index
  • #3 en τ-bench (verificado, aerolínea)

  Guía de promptsElegir la mejor IA

• Gemini 4 Argon (High)

  Google

  • #5 en Intelligence Index
  • #5 en τ-bench (verificado, aerolínea)
  • #1 en GPQA Diamond

  Guía de promptsElegir la mejor IA

• Claude Opus 5 (Max)

  Anthropic

  • #2 en Coding Index
  • #2 en Agentic Index
  • #4 en τ-bench (verificado, aerolínea)

  Guía de promptsElegir la mejor IA

• GPT-6 Astra (Max)

  OpenAI

  • #4 en Intelligence Index
  • #4 en Coding Index

  Guía de promptsElegir la mejor IA

• Anthropic: Claude Fable 5

  Anthropic

  • #1 en τ-bench (verificado, aerolínea)

  Guía de promptsElegir la mejor IA

• Claude Opus 5.5 (Max, Default Fallback)

  Anthropic

  • #1 en Intelligence Index

  Guía de promptsElegir la mejor IA

• Claude Sonnet 5.5 (Max, Default Fallback)

  Anthropic

  • #2 en Intelligence Index

  Guía de promptsElegir la mejor IA

• Google: Gemini 3.8 Flash

  Google

  • #2 en GPQA Diamond

  Guía de promptsElegir la mejor IA

• inclusionAI: Ling 3.1 Flash

  Inclusionai

  • #2 en τ-bench (verificado, aerolínea)

• GPT-5.6 Sol (Max)

  OpenAI

  • #3 en Coding Index

  Guía de promptsElegir la mejor IA

• OpenAI: GPT-6 Astra Pro

  OpenAI

  • #3 en GPQA Diamond

  Guía de promptsElegir la mejor IA

• Qwen3.8 Max

  Qwen

  • #3 en Intelligence Index

• Qwen3.8 Max (0902)

  Qwen

  • #3 en Agentic Index

• Fugu Ultra

  Sakana

  • #4 en GPQA Diamond

• Muse Spark 1.3 (Max)

  Meta

  • #4 en Agentic Index

• GLM-5.3 (Max)

  Z.ai

  • #5 en Agentic Index

• Google: Gemini 3.1 Pro Preview

  Google

  • #5 en GPQA Diamond

  Guía de promptsElegir la mejor IA

• Grok 4.6 (High)

  xAI

  • #5 en Coding Index

  Guía de promptsElegir la mejor IA

Explorar rankings

Qué mide cada benchmark

Intelligence Index · Inteligencia general

Qué mide: Capacidad general: agrega evaluaciones de razonamiento, conocimiento, matemática y programación en un solo índice.

Limitaciones: Es un índice compuesto: combina varias evaluaciones de terceros con la ponderación que define Artificial Analysis, y cambia entre versiones. Sirve para comparar modelos dentro del mismo índice, no para predecir el resultado en tu tarea concreta.

Fuente: Artificial Analysis · Índice compuesto (más alto es mejor)

Coding Index · Programación

Qué mide: Programación: agrega evaluaciones de generación y resolución de código.

Limitaciones: Es un índice compuesto: combina varias evaluaciones de terceros con la ponderación que define Artificial Analysis, y cambia entre versiones. Sirve para comparar modelos dentro del mismo índice, no para predecir el resultado en tu tarea concreta.

Fuente: Artificial Analysis · Índice compuesto (más alto es mejor)

Agentic Index · Agentes y herramientas

Qué mide: Trabajo agéntico: agrega evaluaciones de uso de herramientas y tareas de varios pasos.

Limitaciones: Es un índice compuesto: combina varias evaluaciones de terceros con la ponderación que define Artificial Analysis, y cambia entre versiones. Sirve para comparar modelos dentro del mismo índice, no para predecir el resultado en tu tarea concreta.

Fuente: Artificial Analysis · Índice compuesto (más alto es mejor)

τ-bench (verificado, aerolínea) · Agentes y herramientas

Qué mide: Un agente atiende a un usuario simulado de una aerolínea usando herramientas y siguiendo políticas. Corrida por OpenRouter.

Limitaciones: Cubre un solo dominio (aerolínea) con un usuario simulado; no mide otros tipos de agentes ni integraciones reales.

Fuente: OpenRouter · Precisión: % de tareas resueltas

GPQA Diamond · Razonamiento científico

Qué mide: Preguntas de opción múltiple de biología, física y química a nivel de posgrado, difíciles de responder buscando en la web. Corrida por OpenRouter.

Limitaciones: Es de opción múltiple y de un solo dominio (ciencias); los mejores modelos ya puntúan muy alto, así que las diferencias pequeñas pueden caer dentro del margen de variación entre corridas.

Fuente: OpenRouter · Precisión: % de respuestas correctas

BrowseComp (búsqueda) · Búsqueda

Qué mide: Benchmark de búsqueda de OpenRouter: el modelo responde usando una herramienta de búsqueda web.

Limitaciones: OpenRouter publica la configuración con mejor puntaje de cada modelo (motor de búsqueda, superficie, esfuerzo), así que el resultado depende también de esa configuración, no solo del modelo.

Fuente: OpenRouter · Precisión: % de respuestas correctas

DSQA (búsqueda) · Búsqueda

Qué mide: Benchmark de búsqueda de OpenRouter: el modelo responde usando una herramienta de búsqueda web.

Limitaciones: OpenRouter publica la configuración con mejor puntaje de cada modelo (motor de búsqueda, superficie, esfuerzo), así que el resultado depende también de esa configuración, no solo del modelo.

Fuente: OpenRouter · Precisión: % de respuestas correctas

Humanity's Last Exam (búsqueda) · Búsqueda

Qué mide: Benchmark de búsqueda de OpenRouter: el modelo responde usando una herramienta de búsqueda web.

Limitaciones: OpenRouter publica la configuración con mejor puntaje de cada modelo (motor de búsqueda, superficie, esfuerzo), así que el resultado depende también de esa configuración, no solo del modelo.

Fuente: OpenRouter · Precisión: % de respuestas correctas

WideSearch (búsqueda) · Búsqueda

Qué mide: Benchmark de búsqueda de OpenRouter: el modelo responde usando una herramienta de búsqueda web.

Limitaciones: OpenRouter publica la configuración con mejor puntaje de cada modelo (motor de búsqueda, superficie, esfuerzo), así que el resultado depende también de esa configuración, no solo del modelo.

Fuente: OpenRouter · F1 por ítem (más alto es mejor)

Design Arena · 3d · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · asciiart · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · audiorealism · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · codecategories · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · dataviz · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · gamedev · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · graphicdesign · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · image · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · imageediting · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · logo · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · svg · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · text to speech · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · uicomponent · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)

Design Arena · website · Diseño y UI

Qué mide: Comparaciones cara a cara votadas por personas: qué resultado visual prefieren entre dos modelos para la misma consigna.

Limitaciones: Mide preferencia, no corrección. El Elo solo es comparable dentro de la misma arena y categoría.

Fuente: Design Arena · Elo (más alto es mejor; relativo a esta arena)