Benchmarks
160 benchmarks en 11 categorías. Haz clic para ver la clasificación completa.
Conocimiento
ANLI
Conocimiento1
GPT-3.5 Turbo (older v0613)
37.1
2
phi-3-small 7.4B
37.1
3
Llama 3-70B
36.0
4Llama 3 8B Instruct
36.0
5phi-3-medium 14B
33.7
11 modelos evaluados
ARC AI2
Conocimiento1Llama 3.1 405B
93.7
2
DeepSeek V3
93.7
3
Qwen2.5 72B Instruct
92.7
4DeepSeek-V2 (MoE-236B, May 2024)
89.6
5phi-3-medium 14B
88.8
52 modelos evaluados
AudioMultiChallenge · Audio Output
Conocimiento0 modelos evaluados
AudioMultiChallenge · Text Output
Conocimiento1
Gemini 2.5 Pro
46.9
2Gemini 2.5 Flash
40.0
3
Voxtral Small 24B 2507
26.3
3 modelos evaluados
Balrog
Conocimiento1GPT-6 Astra
68.3
2
Claude Opus 5
63.4
3GPT-5.6 Sol
60.0
4Gemini 3 Pro
58.1
5Gemini 3.1 Pro Preview
57.0
36 modelos evaluados
CMMLU
Conocimiento1Qwen2-72B
89.7
2Qwen2.5 72B Instruct
85.7
3GPT-4 Turbo (batch)
71.0
4GPT-4 Turbo
71.0
5Llama 3.1 70B Instruct
64.4
9 modelos evaluados
Chess Puzzles
Conocimiento1Claude Fable 5.2
77.9
2GPT-6 Astra
74.8
3GPT-6.1 Sol
66.3
4GPT-5.6 Sol
66.3
5Claude Opus 5.5
65.3
129 modelos evaluados
DeepResearch Bench
Conocimiento1Claude Opus 4.6
55.3
2GPT-5
55.1
3Claude Sonnet 4.6
54.9
4Claude Opus 4.5
54.8
5GPT-5.5
54.0
27 modelos evaluados
Fiction.LiveBench
Conocimiento1o3 Pro
97.2
2GPT-5
97.2
3
Grok 4
94.4
4Grok 4 Fast
94.4
5Gemini 2.5 Pro
91.7
51 modelos evaluados
GPQA
Conocimiento1Meta Llama 3 8B
19.7
2
HA
Qwen2.5 72B Instruct Abliterated19.4
3Qwen2-72B
19.2
4DeepSeek R1 Distill Qwen 14B
18.3
5WizardLM-2 8x22B
17.6
78 modelos evaluados
GPQA diamond
Conocimiento1Gemini 4 Argon
99.2
2GPT-6 Astra
98.3
3Claude Sonnet 5.5
98.0
4GPT-6.1 Sol
97.8
5Gemini 3.8 Flash
97.8
186 modelos evaluados
GeoBench
Conocimiento1Gemini 3 Flash Preview
88.0
2Gemini 3 Pro
84.0
3Gemini 2.5 Pro
81.0
4GPT-5
81.0
5o1
80.0
28 modelos evaluados
HELM · GPQA
Conocimiento1Gemini 3 Pro
80.3
2GPT-5 Chat
79.1
3GPT-5
79.1
4GPT-5 Mini
75.6
5o3
75.3
41 modelos evaluados
HELM · MMLU-Pro
Conocimiento1Gemini 3 Pro
90.3
2GPT-5 Chat
86.3
3Gemini 2.5 Pro
86.3
4GPT-5
86.3
5o3
85.9
41 modelos evaluados
HLE
Conocimiento1GPT-6 Astra
52.5
2Claude Fable 5.1
43.8
3Gemini 3.1 Pro Preview
43.7
4Claude Sonnet 5.5
43.4
5Gemini 3.8 Flash
41.7
38 modelos evaluados
HellaSwag
Conocimiento1GPT-4 Turbo (batch)
93.7
2GPT-4 Turbo
93.7
3Llama 3.1 405B
85.6
4
Falcon-180B
85.3
5DeepSeek V3
85.2
43 modelos evaluados
Humanity's Last Exam
Conocimiento0 modelos evaluados
Humanity's Last Exam (Text Only)
Conocimiento0 modelos evaluados
LAMBADA
Conocimiento1Falcon-180B
79.8
2Llama 2-13B
76.5
3LLaMA-13B
75.2
4
U
Baichuan 2-7B73.3
5
U
internlm-20b71.8
9 modelos evaluados
Lech Mazur Writing
Conocimiento1Qwen3 Max
87.1
2o3 Pro
86.3
3GPT-5
86.0
4
Kimi K2 0711
85.6
5Claude Opus 4.1
85.4
48 modelos evaluados
LiveBench · Overall
Conocimiento1
GLM 5.2
76.2
2GPT-5.2-Codex
74.3
3Qwen3.7 Max
74.3
4DeepSeek V4 Pro
73.6
5GPT-5.1-Codex-Max
72.0
40 modelos evaluados
MMLU
Conocimiento1GPT-4o (2024-11-20)
84.1
2DeepSeek V3
82.9
3Claude 3.5 Sonnet
82.0
4GPT-4 (older v0314)
81.9
5Llama 3.3 70B Instruct
81.7
84 modelos evaluados
MMLU-PRO
Conocimiento1Qwen2-72B
52.6
2Qwen2.5 32B Instruct
51.9
3Qwen2.5 72B Instruct
51.4
4
HA
Qwen2.5 72B Instruct Abliterated50.4
5Phi 4
48.3
78 modelos evaluados
MMMLU
Conocimiento0 modelos evaluados
OpenBookQA
Conocimiento1phi-3-small 7.4B
84.0
2phi-3-mini 3.8B
84.0
3phi-3-medium 14B
83.2
4GPT-3.5 Turbo (older v0613)
81.3
5Mixtral 8x7B Instruct
81.1
27 modelos evaluados
OpenCompass · GPQA-Diamond
Conocimiento1Qwen3.5 397B A17B
88.4
2Kimi K2.5
88.1
3GLM 4.7
86.9
4DeepSeek V3.2 Speciale
86.7
5GLM 5
85.3
34 modelos evaluados
OpenCompass · HLE
Conocimiento1DeepSeek V3.2 Speciale
28.6
2Kimi K2.5
28.6
3GLM 5
28.1
4Qwen3.5 397B A17B
27.5
5GLM 4.7
25.4
34 modelos evaluados
OpenCompass · MMLU-Pro
Conocimiento1Qwen3.5 397B A17B
87.6
2Kimi K2.5
86.2
3DeepSeek V3.2
85.8
4Gemini 2.5 Pro
85.8
5DeepSeek V3.2 Speciale
85.5
34 modelos evaluados
PIQA
Conocimiento1GPT-4o-mini (2024-07-18)
77.4
2GPT-4o-mini
77.4
3Gemini 1.5 Flash (May 2024)
75.0
4Llama 3.1 405B
71.8
5Falcon-180B
69.8
33 modelos evaluados
PostTrainBench
Conocimiento1Claude Fable 5
41.8
2GPT-5.6 Sol
36.2
3Claude Opus 5
35.0
4Claude Opus 4.8
33.8
5Kimi K3
32.0
24 modelos evaluados
Professional Reasoning · Finance
Conocimiento1Claude Opus 4.6 (Fast)
53.3
2Claude Opus 4.6
53.3
3GPT-5
51.3
4GPT-5 Pro
51.1
5o3 Pro
49.1
6 modelos evaluados
Professional Reasoning · Legal
Conocimiento1Claude Opus 4.6 (Fast)
52.3
2Claude Opus 4.6
52.3
3GPT-5 Pro
49.9
4o3 Pro
49.7
5GPT-5
49.0
6 modelos evaluados
ScienceQA
Conocimiento1GPT-4o (2024-05-13)
84.7
2GPT-4o (2024-11-20)
84.7
3Claude 3 Haiku
62.7
4Llama 2-13B
41.0
5LLaMA-13B
24.4
5 modelos evaluados
SimpleQA Verified
Conocimiento1Claude Fable 5.2
94.0
2Gemini 4 Argon
76.0
3GPT-6 Astra
75.6
4GPT-6.1 Sol
73.9
5Gemini 3.1 Pro Preview
73.5
96 modelos evaluados
SpireClimb
Conocimiento1GPT-6 Astra
34.0
2GPT-6.1 Sol
23.8
3GPT-6.1 Terra
22.3
4Claude Fable 5.2
19.6
5GPT-6 Sol
9.2
9 modelos evaluados
TriviaQA
Conocimiento1Claude 2
87.5
2
U
PaLM 2-L86.1
3GPT-3.5 Turbo (older v0613)
85.8
4GPT-4 Turbo (batch)
84.8
5GPT-4 Turbo
84.8
26 modelos evaluados
VISTA
Conocimiento1Gemini 2.5 Pro Preview 06-05
54.6
2o4 Mini
51.8
3o4 Mini (batch)
51.8
3 modelos evaluados
VPCT
Conocimiento1Gemini 3 Pro
86.5
2GPT-5.2
76.0
3Gemini 3 Flash Preview
58.9
4GPT-5
49.0
5GPT-5.1
38.0
24 modelos evaluados
VisualToolBench (VTB)
Conocimiento1Gemini 3.1 Pro Preview
29.0
2Claude Opus 4.6 (Fast)
27.5
3Claude Opus 4.6
27.5
3 modelos evaluados
WeirdML v3
Conocimiento1GPT-6 Astra
60.0
2GPT-6.1 Sol
56.2
3Claude Opus 5.5
55.4
4Claude Fable 5.1
48.4
5Gemini 4 Argon
45.7
22 modelos evaluados
Winogrande
Conocimiento1Llama 3.1 405B
78.4
2Claude 3 Opus
77.0
3GPT-4 Turbo (batch)
75.0
4GPT-4 (older v0314)
75.0
5GPT-4 Turbo
75.0
54 modelos evaluados
Agénticos
APEX-Agents
Agénticos1Gemini 4 Argon
82.4
2Claude Sonnet 5.5
75.5
3Claude Opus 5.5
73.5
4DeepSeek V4.1 Flash 1017
69.8
5Claude Fable 5.1
68.6
74 modelos evaluados
OSWorld
Agénticos1Claude Sonnet 4.6
72.1
2Claude Opus 4.5
66.3
3Kimi K2.5
63.3
4Claude Sonnet 4.5
62.9
5Claude Sonnet 4
43.9
8 modelos evaluados
SWE Atlas · Codebase QnA
Agénticos1Claude Opus 4.6 (Fast)
33.3
2Claude Opus 4.6
33.3
3GPT-5.3-Codex
32.6
4Claude Sonnet 4.6
31.2
4 modelos evaluados
SWE Atlas · Test Writing
Agénticos1Claude Opus 4.6 (Fast)
36.7
2Claude Opus 4.6
36.7
3Claude Sonnet 4.6
31.8
3 modelos evaluados
SWE-Bench Pro (Private)
Agénticos1Claude Opus 4.5
23.4
2Gemini 2.5 Pro Preview 06-05
10.1
2 modelos evaluados
The Agent Company
Agénticos1DeepSeek V3.2 Exp
42.9
2Gemini 2.5 Flash
41.1
3Claude Sonnet 4
33.1
4Claude 3.7 Sonnet
30.9
5Gemini 2.5 Pro
30.3
15 modelos evaluados
Razonamiento
ARC-AGI
Razonamiento1Claude Fable 5
98.5
2GPT-6 Astra
98.5
3Claude Opus 5.5
98.5
4GPT-6.1 Sol
98.5
5Gemini 3.8 Flash
98.5
88 modelos evaluados
ARC-AGI-2
Razonamiento1GPT-6 Astra
95.0
2GPT-6.1 Sol
94.2
3Claude Opus 5.5
93.3
4GPT-5.6 Sol
92.5
5Gemini 4 Argon
91.3
92 modelos evaluados
BBH
Razonamiento1Gemini 1.5 Pro (May 2024)
85.6
2DeepSeek V3
83.3
3Gemini 1.5 Pro (Feb 2024)
78.7
4Llama 3.1 405B
77.2
5phi-3-medium 14B
75.2
29 modelos evaluados
CharXiv Reasoning
Razonamiento0 modelos evaluados
CharXiv Reasoning (with tools)
Razonamiento0 modelos evaluados
GraphWalks BFS 256K-1M
Razonamiento0 modelos evaluados
HELM · WildBench
Razonamiento1GPT-5.1
86.3
2Kimi K2 0711
86.2
3o3
86.1
4Gemini 3 Pro
85.9
5GPT-5 Chat
85.7
41 modelos evaluados
HLE (with tools)
Razonamiento0 modelos evaluados
LiveBench · Data Analysis
Razonamiento1GPT-5.2-Codex
78.2
2
MiniMax M3
76.2
3DeepSeek V4 Pro
74.5
4GLM 5.2
73.7
5Qwen3.7 Max
71.8
40 modelos evaluados
LiveBench · Reasoning
Razonamiento1GPT-5.1-Codex-Max
84.6
2Qwen3.7 Max
83.3
3Kimi K2.7 Code
82.8
4DeepSeek V4 Pro
82.7
5GPT-5.1-Codex
82.0
40 modelos evaluados
MUSR
Razonamiento1DeepSeek R1 Distill Qwen 14B
28.7
2
Hermes 3 70B Instruct
23.4
3Llama 3 8B Instruct
19.9
4Qwen2-72B
19.7
5
U
Stable Beluga 218.6
78 modelos evaluados
SimpleBench
Razonamiento1Claude Fable 5
78.3
2Claude Opus 5
76.7
3Gemini 3.1 Pro Preview
75.5
4GPT-5.5 Pro
72.3
5Gemini 3.5 Flash
72.0
83 modelos evaluados
Programación
Aider polyglot
Programación1GPT-5 Chat
88.0
2GPT-5
88.0
3o3 Pro
84.9
4Gemini 2.5 Pro
83.1
5Gemini 2.5 Pro Preview 06-05
83.1
56 modelos evaluados
Aider · Code Editing
Programación1o1
84.2
2Claude 3.5 Sonnet
84.2
3o1-preview
79.7
4GPT-4o (2024-05-13)
72.9
5GPT-4o (2024-11-20)
71.4
29 modelos evaluados
CadEval
Programación1o3
74.0
2Gemini 2.5 Pro
64.0
3o4 Mini
62.0
4o4 Mini (batch)
62.0
5o1
56.0
19 modelos evaluados
Cybench
Programación1Claude Opus 4.6
93.0
2Claude Opus 4.5
82.0
3Claude Sonnet 4.5
60.0
4Grok 4
43.0
5Claude Opus 4.1
42.0
22 modelos evaluados
Deepswe
Programación1GPT-6 Astra
74.1
2Gemini 3.8 Flash
73.8
3Claude Opus 5
73.7
4GPT-5.6 Sol
72.7
5Claude Fable 5
69.9
24 modelos evaluados
Frontiercode
Programación1Claude Opus 5.5
54.6
2Claude Fable 5
53.5
3Claude Opus 5
53.4
4GPT-6 Astra
53.3
5Claude Sonnet 5.5
52.1
41 modelos evaluados
Frontierswe
Programación1GPT-6 Astra
65.5
2Claude Opus 5.5
62.3
3Claude Sonnet 5.5
61.9
4Claude Fable 5.1
56.3
5Gemini 4 Argon
55.0
17 modelos evaluados
GSO-Bench
Programación1Claude Fable 5.1
88.2
2GPT-6 Astra
79.4
3Claude Fable 5
78.4
4GPT-5.6 Sol
76.5
5Claude Opus 4.8
47.1
30 modelos evaluados
LiveBench · Agentic Coding
Programación1GLM 5.2
73.3
2Kimi K2.7 Code
70.0
3MiniMax M3
60.0
4DeepSeek V4 Pro
56.7
5GPT-5.1-Codex-Max
56.7
40 modelos evaluados
LiveBench · Coding
Programación1GPT-5.2-Codex
83.6
2GPT-5.1-Codex-Max
81.4
3GLM 5.2
79.7
4Qwen3.6 Plus
78.2
5GPT-5 Mini
76.1
40 modelos evaluados
Mirrorcode
Programación1Claude Sonnet 5.5
97.8
2Claude Opus 5
87.8
3Claude Opus 5.5
78.9
4Claude Haiku 5.5
78.9
5Claude Fable 5.1
73.3
26 modelos evaluados
OpenCompass · LiveCodeBenchV6
Programación1GLM 5
86.2
2
Step 3.5 Flash
83.9
3GLM 4.7
83.8
4Qwen3.5 397B A17B
83.0
5DeepSeek V3.2 Speciale
80.9
34 modelos evaluados
SWE-Bench Verified (Bash Only)
Programación1Claude Opus 4.5
74.4
2GPT-5.2
71.8
3Claude Sonnet 4.5
70.6
4Claude Opus 4
67.6
5GPT-5.1
66.0
19 modelos evaluados
SWE-Bench verified
Programación1Claude Opus 4.7
83.5
2GPT-5.5
80.6
3Gemini 3.5 Flash
79.3
4Claude Opus 4.6
78.7
5GLM 5.2
78.7
32 modelos evaluados
SWE-bench Multilingual
Programación0 modelos evaluados
SWE-bench Multimodal
Programación0 modelos evaluados
SWE-bench Pro
Programación0 modelos evaluados
Terminal Bench
Programación1GPT-5.5
84.7
2GPT-5.4
81.8
3Gemini 3.1 Pro Preview
80.2
4Claude Opus 4.7
80.2
5Claude Opus 4.6
79.8
35 modelos evaluados
WeirdML
Programación1GPT-6 Astra
93.6
2Claude Fable 5.1
92.9
3Claude Fable 5
91.9
4Claude Opus 5
91.8
5GPT-5.6 Sol
89.4
120 modelos evaluados
Velocidad
Artificial Analysis · CritPt
Velocidad1GPT-6 Astra
31.7
2Claude Opus 5.5
31.7
3GPT-6.1 Sol
31.7
4Claude Sonnet 5.5
31.4
5GPT-5.5 Pro
30.6
71 modelos evaluados
Artificial Analysis · GDPval
Velocidad1Claude Opus 5.5
68.3
2Claude Sonnet 5.5
66.9
3Claude Fable 5.1
62.7
4Grok 4.7
60.6
5
MiMo-V2.6-Pro
59.2
61 modelos evaluados
Artificial Analysis · GPQA Diamond
Velocidad1GPT-6 Astra
96.1
2Gemini 3.8 Flash
95.3
3Gemini 3.1 Pro Preview
94.1
4Claude Fable 5.1
93.7
5Kimi K3
93.5
55 modelos evaluados
1Claude Opus 5.5
61.4
2Claude Fable 5.1
59.1
3Gemini 4 Argon
57.1
4Claude Sonnet 5.5
55.0
5GPT-6 Astra
54.7
71 modelos evaluados
Artificial Analysis · IFBench
Velocidad1MiniMax M3
82.9
2
Nemotron 3 Ultra
81.4
3Qwen3.7 Plus
78.0
4Gemini 3.1 Pro Preview
77.1
5Gemma 4 31B
75.6
37 modelos evaluados
1Kimi K3
88.7
2Step 5 Preview
88.3
3MiMo-V2.6-Pro
86.3
4Claude Fable 5.1
85.3
5Claude Opus 5.5
84.7
70 modelos evaluados
Artificial Analysis · MMMU Pro
Velocidad1Claude Opus 5.5
87.7
2GPT-6 Astra
86.9
3GPT-6.1 Sol
86.0
4Gemini 3.8 Flash
85.6
5Qwen3.8 Max (0902)
82.8
35 modelos evaluados
Artificial Analysis · SciCode
Velocidad1Claude Opus 5.5
66.9
2Claude Fable 5.1
63.1
3Gemini 4 Argon
61.8
4Claude Sonnet 5.5
61.0
5MiMo-V2.6-Pro
60.9
56 modelos evaluados
1GPT-5.6 Terra
57.6
2Gemini 3.1 Pro Preview
53.8
3GPT-5.3-Codex
53.0
4Qwen3.7 Plus
47.0
5Kimi K2.7 Code
44.7
37 modelos evaluados
1Gemini 3.1 Pro Preview
95.6
2Qwen3.6 35B A3B
95.3
3Mistral Medium 3.5
94.2
4Qwen3.7 Plus
93.0
5Qwen3.5 4B
92.1
37 modelos evaluados
Artificial Analysis · Agentic Index
Velocidad1GPT-5.4
69.4
2Claude Opus 4.6 (Fast)
67.6
3GLM 5 Turbo
63.1
4MiMo-V2-Pro
62.8
5GPT-5.3-Codex
62.2
89 modelos evaluados
Artificial Analysis · Coding Index
Velocidad1Claude Fable 5
76.5
2GPT-5.5
74.9
3Claude Opus 4.8 (Fast)
74.3
4Claude Opus 4.7 (Fast)
73.6
5Gemini 3.5 Flash
70.1
90 modelos evaluados
Artificial Analysis · Quality Index
Velocidad1Claude Fable 5
59.9
2Claude Opus 5.5
57.6
3GPT-5.4
57.2
4Claude Sonnet 5.5
56.0
5Claude Opus 4.8 (Fast)
55.7
137 modelos evaluados
General
BBH (HuggingFace)
General1Qwen2.5 72B Instruct
61.9
2
HA
Qwen2.5 72B Instruct Abliterated60.5
3Llama 3.3 70B Instruct
56.6
4Qwen2.5 32B Instruct
56.5
5Llama 3.1 70B Instruct
55.9
78 modelos evaluados
Cl Bench
General1GPT-5.4
27.9
2GPT-5.1
23.7
3Grok 4.20
22.2
4Claude Opus 4.5
21.1
5Gemini 3.1 Pro Preview
20.8
19 modelos evaluados
Cl Bench Life
General1GPT-5.5
22.2
2GPT-5.4
21.7
3GPT-5.1
17.3
4Claude Opus 4.6
17.0
5Gemini 3.1 Pro Preview
16.9
13 modelos evaluados
Dtbench
General1Claude Opus 5.5
98.2
2Claude Fable 5
97.3
3Claude Opus 5
96.5
4Claude Fable 5.1
96.0
5Gemini 4 Argon
96.0
145 modelos evaluados
Ebr Bench
General1Claude Fable 5.2
90.5
2GPT-6.1 Terra
78.1
3GPT-6 Astra
76.2
4Claude Opus 5.5
71.4
5Gemini 4 Argon
64.8
29 modelos evaluados
Exploitbench
General1GPT-5.5
47.4
2Claude Opus 4.7
26.5
3Gemini 3.1 Pro Preview
26.1
4Claude Sonnet 4.6
23.6
5Kimi K2.6
18.4
8 modelos evaluados
Furniture Assembly
General1Claude Fable 5.2
85.7
2Claude Opus 5.5
76.2
3GPT-6 Astra
71.4
4GPT-6.1 Sol
71.4
5GPT-6.1 Terra
70.2
36 modelos evaluados
Gdpval
General1GPT-5.2
49.7
2Claude Opus 4.5
45.5
3Claude Opus 4.1
43.6
4Claude Sonnet 4.5
42.5
5Gemini 3 Pro
40.3
12 modelos evaluados
Lmca
General1Claude Sonnet 5.5
80.3
2Claude Opus 5.5
80.3
3Claude Fable 5.1
77.0
4Claude Opus 5
75.8
5GPT-6 Astra
75.7
123 modelos evaluados
Metr Time Horizons
General1Claude Opus 4.6
78.9
2Gemini 3.1 Pro Preview
77.0
3GPT-5.2
75.3
4Claude Opus 4.5
75.0
5GPT-5.3-Codex
74.5
31 modelos evaluados
Mystery Game Puzzles
General1Claude Fable 5.2
89.0
2GPT-6 Astra
82.4
3GPT-6.1 Sol
78.0
4GPT-6.1 Terra
71.4
5Claude Opus 5.5
68.0
81 modelos evaluados
Osworld 2 0
General1Claude Opus 5
31.4
2GPT-5.6 Sol
27.3
3Claude Opus 4.8
20.6
4Claude Opus 4.7
18.2
5GPT-5.5
13.0
9 modelos evaluados
Proofbench
General1Claude Fable 5.1
100.0
2Claude Opus 5.5
100.0
3Claude Sonnet 5.5
100.0
4GPT-6 Astra
99.0
5Claude Opus 5
99.0
65 modelos evaluados
Remote Labor Index
General1Claude Opus 5.5
21.3
2GPT-6 Astra
20.8
3Claude Fable 5.1
17.9
4Gemini 4 Argon
17.1
5Claude Fable 5
16.1
16 modelos evaluados
Surface Evolver Bench
General1Claude Fable 5
95.0
2Kimi K3
95.0
3GPT-5.6 Sol
93.1
4GPT-5.5
88.1
5Claude Opus 4.8
87.5
23 modelos evaluados
Arena
1Qwen3.8 Max (0902)
1671.2
2Claude Fable 5
1653.9
3MiMo-V2.6-Pro
1618.4
4GLM 5.3 Flash
1615.6
5GLM 5.2
1593.3
58 modelos evaluados
1Claude Fable 5
1507.6
2Claude Opus 4.6 (Fast)
1503.7
3Claude Opus 4.6
1497.3
4Claude Opus 4.7
1494.1
5Muse Spark
1489.3
149 modelos evaluados
Seguridad
Matemáticas
FrontierMath-2025-02-28-Private
Matemáticas1Muse Spark
68.4
2Gemini 3 Pro
66.0
3GPT-5.5 Pro
52.4
4GPT-5.5
51.7
5GPT-5.4 Pro
50.0
69 modelos evaluados
FrontierMath-Tier-4-2025-07-01-Private
Matemáticas1GPT-5.5 Pro
39.6
2GPT-5.4 Pro
37.5
3GPT-5.5
35.4
4GPT-5.2 Pro
31.3
5Claude Opus 4.8
31.3
51 modelos evaluados
FrontierMath-Tier-4-v2-Private
Matemáticas1GPT-6.1 Sol
100.0
2Claude Fable 5.2
100.0
3GPT-6 Astra
97.6
4Claude Opus 5.5
95.0
5GPT-6.1 Terra
92.7
68 modelos evaluados
FrontierMath-Tiers-1-3-v2-Private
Matemáticas1Claude Fable 5.2
100.0
2GPT-6 Astra
98.6
3GPT-6.1 Sol
98.6
4Claude Opus 5.5
96.0
5GPT-6.1 Terra
95.7
88 modelos evaluados
GSM8K
Matemáticas1GPT-4 (older v0314)
92.0
2GPT-4o-mini (2024-07-18)
91.3
3GPT-4o-mini
91.3
4Qwen2.5 Coder 32B Instruct
91.1
5GPT-4 Turbo (batch)
90.0
44 modelos evaluados
HELM · Omni-MATH
Matemáticas1GPT-5 Mini
72.2
2o4 Mini
72.0
3o4 Mini (batch)
72.0
4o3
71.4
5gpt-oss-120b
68.8
41 modelos evaluados
LiveBench · Mathematics
Matemáticas1DeepSeek V4 Pro
90.7
2GLM 5.2
89.8
3GPT-5.2-Codex
88.8
4Qwen3.7 Max
85.3
5GLM 5.1
84.9
40 modelos evaluados
MATH Level 5
Matemáticas1Qwen2.5 32B Instruct
62.5
2
HA
Qwen2.5 72B Instruct Abliterated60.1
3Qwen2.5 72B Instruct
59.8
4DeepSeek R1 Distill Qwen 14B
57.0
5Qwen2.5 14B Instruct
55.3
78 modelos evaluados
MATH level 5
Matemáticas1GPT-5
98.1
2GPT-5 Mini
97.8
3o4 Mini
97.8
4o4 Mini (batch)
97.8
5o3
97.8
84 modelos evaluados
OTIS Mock AIME 2024-2025
Matemáticas1Claude Fable 5
100.0
2Claude Fable 5.1
100.0
3GPT-6 Astra
100.0
4GPT-5.5
100.0
5Claude Opus 5.5
100.0
178 modelos evaluados
OpenCompass · AIME2025
Matemáticas1DeepSeek V3.2 Speciale
96.0
2GLM 5
95.8
3Step 3.5 Flash
95.7
4GLM 4.7
95.4
5Kimi K2 Thinking
94.1
34 modelos evaluados
USAMO
Matemáticas0 modelos evaluados
Lenguaje
HELM · IFEval
Lenguaje1Grok 3 Mini Beta
95.1
2Grok-3 mini
95.1
3Grok 4
94.9
4GPT-5.1
93.5
5GPT-5 Nano
93.2
41 modelos evaluados
IFEval
Lenguaje1Llama 3.3 70B Instruct
90.0
2Llama 3.1 70B Instruct
86.7
3Qwen2.5 72B Instruct
86.4
4
HA
Qwen2.5 72B Instruct Abliterated85.9
5Qwen2.5 32B Instruct
83.5
78 modelos evaluados
JCommonsenseQA
Lenguaje1DeepSeek R1 Distill Qwen 32B
95.3
2DeepSeek R1 Distill Qwen 14B
93.7
3Qwen2 7B Instruct
89.1
4Qwen2 VL 7B Instruct
87.8
5Meta Llama 3 8B Instruct
87.7
12 modelos evaluados
JHumanEval
Lenguaje0 modelos evaluados
JMMLU
Lenguaje1DeepSeek R1 Distill Qwen 32B
72.2
2DeepSeek R1 Distill Qwen 14B
63.4
3Qwen2 7B Instruct
56.5
4Qwen2 VL 7B Instruct
56.3
5Meta Llama 3 8B Instruct
46.7
12 modelos evaluados
JNLI
Lenguaje1DeepSeek R1 Distill Qwen 32B
85.6
2DeepSeek R1 Distill Qwen 14B
82.4
3Qwen2 7B Instruct
81.3
4Qwen2 VL 7B Instruct
74.4
5DeepSeek R1 Distill Llama 8B
69.4
12 modelos evaluados
JSQuAD
Lenguaje1Qwen2 VL 7B Instruct
89.9
2DeepSeek R1 Distill Qwen 14B
89.8
3Qwen2 7B Instruct
89.6
4Meta Llama 3 8B Instruct
89.5
5DeepSeek R1 Distill Qwen 32B
89.2
12 modelos evaluados
LLM-JP · Overall
Lenguaje1DeepSeek R1 Distill Qwen 32B
59.3
2DeepSeek R1 Distill Qwen 14B
56.8
3Qwen2 VL 7B Instruct
53.0
4Qwen2 7B Instruct
51.7
5Meta Llama 3 8B Instruct
49.6
12 modelos evaluados
LiveBench · If
Lenguaje1Qwen3.7 Max
74.0
2GLM 5.1
68.5
3Gemma 4 31B
67.6
4GPT-5.1-Codex-Max
67.1
5GPT-5.2-Codex
66.5
40 modelos evaluados
LiveBench · Language
Lenguaje1Qwen3.7 Max
79.7
2DeepSeek V4 Pro
78.1
3Kimi K2.7 Code
77.9
4GLM 5
77.5
5MiniMax M3
76.8
40 modelos evaluados
OpenCompass · IFEval
Lenguaje1Kimi K2.5
93.9
2Step 3.5 Flash
93.2
3GLM 5
93.2
4Kimi K2 Thinking
92.4
5DeepSeek V3.2 Speciale
91.7
34 modelos evaluados
Multimodal
VideoMME
Multimodal1Gemini 1.5 Pro (Feb 2024)
66.7
2Qwen2.5 72B Instruct
64.7
3GPT-4o (2024-11-20)
62.5
4GPT-4o (2024-08-06)
62.5
5Gemini 1.5 Flash (May 2024)
60.4
8 modelos evaluados