200+ Benchmarks de IA Líderes

Hemos seleccionado una lista con más de 200 benchmarks de IA para LLMs, GPUs, GPUs en la nube, agentes de IA, IA tabular y ciberseguridad que aún no están saturados.

Crecimiento de los benchmarks de IA

Encontramos que la actividad de benchmarking fue bastante baja y estable durante 2024–2025, luego aumentó a principios de 2026. Esto refleja el rápido crecimiento de los sistemas de IA que requieren evaluación, especialmente a medida que los modelos se han vuelto más capaces en codificación, razonamiento, tareas multimodales, capacidades de agente y casos de uso empresarial.

Benchmarks de IA por categorías

Hemos listado los benchmarks de IA según sus categorías principales. Los benchmarks de LLM lideran en cuanto al mayor número de benchmarks.

Benchmarks de IA por subcategorías

Lista de benchmarks de IA

Lea nuestra metodología para saber cómo recopilamos esta lista.

Notas sobre cómo leer la lista:

Las cuatro columnas con indicadores booleanos (T = verdadero, F = falso) indican qué dimensión de evaluación cubre cada benchmark. Cada indicador responde a una pregunta de sí/no sobre el alcance del benchmark:

• Rendimiento (T/F): ¿Evalúa el benchmark la capacidad o calidad, como la precisión del resultado, la finalización de tareas o la inteligencia? Está marcado como T para casi todos los benchmarks, ya que la mayoría evalúan qué tan bien funciona un modelo o sistema. Está marcado como F para benchmarks que se centran únicamente en el costo o la velocidad y no evalúan la calidad del resultado.
• Precio (T/F): ¿Incluye el benchmark factores relacionados con el costo, como dólares por token, precio por rendimiento o costo por tarea?
• Latencia (T/F): ¿Mide el benchmark la velocidad, como tokens por segundo, tiempo hasta el primer token, rendimiento o tiempo de respuesta? Es F para benchmarks que evalúan la corrección, independientemente del tiempo que tome la respuesta.
• Fiabilidad (T/F): ¿Evalúa el benchmark la consistencia o confiabilidad, como la variación entre ejecuciones, la estabilidad de las tasas de éxito o la robustez? Este es el indicador menos común. Está marcado como T para benchmarks diseñados para este propósito, incluyendo HAL Reliability, tau-bench/tau2-bench, METR Time Horizons y varios benchmarks de agentes en los que la consistencia de la tasa de aprobación es central. Es F para la mayoría de los leaderboards que informan una única puntuación general.
• Resistente a contaminación (T/F): Indica si el benchmark está diseñado para reducir el riesgo de contaminación de datos, donde las preguntas de prueba aparecen en los datos de entrenamiento de un modelo y el modelo logra puntuaciones altas mediante la memorización en lugar de una capacidad genuina. T significa que el benchmark tiene una defensa significativa, como un conjunto oculto, preguntas recién generadas o rotativas, actualizaciones mensuales, elementos autogenerados o problemas de competición publicados después de la fecha de corte de entrenamiento del modelo. F significa que el benchmark es un dataset público fijo que ha estado en línea durante años y puede haber sido absorbido en los corpus de entrenamiento. En esos casos, las puntuaciones altas deben interpretarse con mayor precaución.

En la práctica, una fila marcada T/F/F/F representa un benchmark de calidad pura. Por el contrario, un benchmark marcado T/T/T/T/F evalúa la calidad, el costo y la velocidad conjuntamente. Estos indicadores proporcionan una taxonomía compacta que muestra cuáles de los cuatro ejes de evaluación cubre cada benchmark.

¿Por qué algunas celdas están en blanco?

Resistente a contaminación y Fuente de contaminación: Estos dos campos suelen estar en blanco para los mismos tipos de filas, especialmente benchmarks de GPU, nube GPU, velocidad y precios. La resistencia a la contaminación es relevante para benchmarks de conocimiento y razonamiento, en los que un modelo podría haber memorizado preguntas de prueba de los datos de entrenamiento. Para benchmarks de rendimiento de hardware, latencia o precios, no hay preguntas de prueba que contaminar, por lo que el campo se deja vacío en lugar de marcarse como T o F.

Metodología de los benchmarks de IA

Recopilamos los datos de los benchmarks a través de un proceso de investigación y validación en línea. El objetivo era construir una lista estructurada de benchmarks tecnológicos que sigan siendo útiles para comparar sistemas e infraestructuras de IA actuales, cubriendo LLMs, GPUs, GPUs en la nube, agentes de IA, IA tabular y ciberseguridad.

Comenzamos definiendo el alcance del dataset. Nos centramos en benchmarks que miden la capacidad del modelo, el rendimiento de la infraestructura, el costo, la latencia, la fiabilidad o la resistencia a la contaminación. La lista inicial de fuentes incluyó importantes proveedores de benchmarks y análisis como Artificial Analysis, SemiAnalysis, Vals IA, LMArena, AIMultiple y Epoch IA, así como sitios web oficiales de benchmarks, repositorios de GitHub, artículos académicos, páginas de leaderboards y agregadores de benchmarks de terceros relevantes.

Para cada benchmark, registramos tanto campos descriptivos como evaluativos. Los campos descriptivos capturan qué es el benchmark, qué mide, qué productos o modelos se evalúan y con qué frecuencia se actualiza. Los campos evaluativos clasifican si el benchmark mide el rendimiento, el precio, la latencia o la fiabilidad. También recopilamos información sobre la estructura del benchmark y la integridad de los datos.

Priorizamos las fuentes primarias siempre que fue posible. Estas incluyeron páginas oficiales de metodología de benchmarks, páginas de leaderboards, repositorios de GitHub, artículos de benchmarks y documentación de proveedores. Cuando una fuente primaria no proporcionaba un campo específico, utilizamos fuentes secundarias o agregadores de buena reputación para llenar los vacíos, especialmente para las mejores puntuaciones, la cobertura actual de modelos y las fechas de medición recientes. Se incluyeron columnas de fuente en todo el dataset para que la evidencia de cada valor pudiera rastrearse hasta su origen.

Descubre más de nuestros análisis comparativos e insights basados en datos en la Búsqueda de Google.

Añadir como fuente preferida

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{200+ Benchmarks de IA Líderes}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/ai-benchmarks}},
  note   = {AIMultiple. Recuperado el 8 de Julio de 2026}
}

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es una analista de la industria en AIMultiple centrada en el marketing por correo electrónico y los vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario