Densidad de inteligencia de 71 LLMs para modelos más inteligentes y densos

Rastreamos 71 LLMs lanzados entre febrero de 2023 y mayo de 2026 y recopilamos 10 benchmarks públicos para medir la densidad de inteligencia. Dividimos la puntuación de capacidad por el recurso que consume el modelo (parámetros activos, cómputo de entrenamiento y precio de inferencia).

LLM: panorama de la densidad de inteligencia

Para calcular la densidad de inteligencia, ejecutamos los siguientes pasos:

• Eficiencia de recursos: dividimos la capacidad de cada modelo por dos métricas de recursos:
  • Parámetros activos: un proxy para el costo de memoria y de servicio (para modelos de pesos abiertos).
  • Precio de inferencia: eficiencia de costes de mercado basada en los precios combinados de la API por millón de tokens.
  • Nota sobre el cómputo de entrenamiento (FLOP): inicialmente incluimos un tercer eje, el cómputo de entrenamiento (FLOP), pero lo eliminamos porque su pendiente negativa en los benchmarks estándar saturados arrastró el compuesto de 2023-2024 a una caída contraintuitiva.
• Agrupación de benchmarks: para evitar que la saturación de puntuaciones oculte las ganancias de eficiencia, evaluamos las capacidades en dos eras de benchmarks distintas:
  • Benchmarks estándar (2023-2024): MMLU (5-shot), GSM8K (8-shot CoT), HellaSwag (10-shot), ARC Challenge (25-shot), HumanEval (0-shot pass@1).
  • Benchmarks avanzados (2024-2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.
• Indexación encadenada: calculamos el crecimiento interanual dentro de grupos de benchmarks coincidentes y los encadenamos multiplicativamente desde una base de 100 en 2023 para trazar la tendencia acumulada.

Consulte la metodología para el enfoque de puntuación y los desgloses por recurso.

LLM: resultados de la densidad de inteligencia

A mediados de 2026, el ecosistema de IA ofreció casi 15× más inteligencia por unidad de recurso (parámetros y dólares) que la base de 2023. Dos cosas a tener en cuenta al leer la tendencia:

• El salto de 2024-2025 (+362 %) exagera la ganancia real: los benchmarks avanzados eran nuevos en 2024 y solo un puñado de modelos tenían puntuaciones en ellos, por lo que la base de 2024 queda artificialmente baja. La mayor parte del «aumento» es el panel completándose, no un salto de eficiencia de un año.
• La ganancia de 2025-2026 (+105 %) es donde está la verdadera historia: se mide en muchos más modelos y está impulsada por lanzamientos abiertos pequeños como Qwen 3.6-35B-A3B y DeepSeek V4 Flash, que igualan la capacidad de los modelos cerrados de frontera a una fracción del tamaño y del costo.

LLM: capacidad

El gráfico de densidad muestra la eficiencia. Para contextualizarlo, también medimos la capacidad bruta durante el mismo período: ¿cuánto más inteligentes se han vuelto realmente estos modelos antes de cualquier ajuste por recursos?

Capacidad indexada a 100 en 2023, promediada entre todos los modelos lanzados cada año.

Los ejes y la información sobre herramientas funcionan igual que en el gráfico de densidad, con el eje Y siguiendo el rendimiento bruto en los benchmarks en lugar de la densidad.

Una puntuación de capacidad de 100 en 2023 creció a 468 en 2026, una mejora de aproximadamente 4.7×. Año por año:

• 2024 (+88 %): progreso rápido en los benchmarks estándar antes de que se saturaran.
• 2025 (+105 %): el mismo progreso rápido, medido en los benchmarks avanzados más difíciles que reemplazaron a los estándar.
• 2026 (+22 %): la desaceleración es una señal temprana de que los benchmarks avanzados también empiezan a saturarse.

Comparando los dos gráficos lado a lado:

• La capacidad creció 4.7× mientras que la densidad de inteligencia creció 8.9×.
• Los modelos se volvieron más inteligentes y más eficientes al mismo tiempo. No necesitan proporcionalmente más parámetros, cómputo de entrenamiento ni dinero para funcionar.

Tenga en cuenta que: la cifra de capacidad de 4.7× es una magnitud creíble. La cifra de densidad de 8.9× es más frágil (el grupo avanzado de 2024 tiene menos puntos de datos, lo que amplifica la tasa de crecimiento de ese año), así que trátela como una señal direccional más que como un multiplicador preciso.

¿Qué LLM tiene la mayor densidad de inteligencia?

La densidad de inteligencia depende de qué recurso medimos y en qué grupo de benchmarks puntuamos. El líder cambia con cada combinación.

Densidad por parámetro activo (pesos abiertos)

Esta vista mide la eficiencia con la que un modelo concentra capacidad en sus pesos. Los parámetros activos importan porque los modelos Mixture-of-Experts (MoE) enrutan cada token a través de una fracción de los pesos totales. DeepSeek V3 tiene 671B de parámetros totales, pero 37B activos por token, y la cifra de 37B refleja el costo efectivo de servicio.

Líderes en benchmarks estándar

• LLaMA 3.1 8B (jul 2024): 100.0
• LLaMA 3 8B (abr 2024): 85.0
• LLaMA 4 Maverick (abr 2025): 55.9
• Mixtral 8x7B (dic 2023): 47.4
• Mistral 7B (sep 2023): 46.3

Líderes en benchmarks avanzados

• Qwen 3.6-35B-A3B (abr 2026): 100.0 (3B parámetros activos; la puntuación se basa en un solo benchmark, SWE-bench Verified con 73,4 %, así que interprételo en consecuencia)
• GPT-OSS 20B (ago 2025): 85.2 (3.6B parámetros activos)
• GPT-OSS 120B (ago 2025): 64.4 (5.1B parámetros activos)
• Qwen 3.5 9B (mar 2026): 35.2 (9B parámetros densos)
• DeepSeek V4 Flash (abr 2026): 26.0

El ranking de benchmarks estándar dejó de moverse desde finales de 2024 porque los benchmarks se saturaron, no porque el progreso se detuviera. GPT-4 obtuvo 90.2 en benchmarks estándar a principios de 2023, pero 17.3 en benchmarks avanzados.

Densidad por FLOP de entrenamiento (pesos abiertos)

Esta vista premia la curación de datos, las decisiones de arquitectura y las recetas de entrenamiento en lugar del gasto bruto.

Nota: la densidad por FLOP en benchmarks estándar parece estar cayendo con el tiempo. Es un artefacto de saturación, no una disminución de la eficiencia de entrenamiento. Los benchmarks más antiguos ya no miden las ganancias recientes, por lo que las puntuaciones de capacidad se comprimen mientras el cómputo de entrenamiento sigue creciendo.

Líderes en benchmarks estándar

• Mistral 7B (sep 2023): 100.0 (sigue siendo el ancla del panel, más de dos años después)
• LLaMA 3 8B (abr 2024): 40.8
• LLaMA 1 (feb 2023): 37.0
• DeepSeek V2 (may 2024): 32.6
• Mixtral 8x7B (dic 2023): 27.1

Líderes en benchmarks avanzados

• Qwen 3.5 9B (mar 2026): 100.0
• Qwen 3.6-35B-A3B (abr 2026): 28.4
• DeepSeek V4 Flash (abr 2026): 6.4

El resultado de Qwen 3.5 (9B) es notable: un modelo denso de 9B entrenado con aproximadamente 1.5 × 10²³ FLOP que obtiene 81.2 en capacidad de benchmarks avanzados. Su cómputo de entrenamiento es aproximadamente un orden de magnitud menor que el de DeepSeek V4 Pro, pero la brecha de capacidad es menor.

Densidad por dólar de inferencia

La densidad por dólar es el eje donde los modelos abiertos y los modelos cerrados de frontera se pueden comparar directamente, porque los precios de la API son verificables públicamente. Usamos precios establecidos para el titular, de modo que se reflejen los recortes posteriores al lanzamiento.

Líderes en benchmarks estándar

• Mistral Small 3 24B (ene 2025): 100.0 a $0,10 / $0,30 por millón de tokens a través de Mistral de primera parte API
• Gemini 1.5 Flash (may 2024): 99.3 (modelo cerrado con mejor puntuación tras su recorte de precios de agosto de 2024)
• DeepSeek V2 (may 2024): 66.0 a $0,27 / $1,10 por millón de tokens
• DeepSeek V3 (dic 2024): 30.9
• DeepSeek R1 (ene 2025): 17.8

Líderes en benchmarks avanzados

• GPT-OSS 120B (ago 2025): 100.0 (la referencia de precio es la mediana entre proveedores de OpenRouter, ya que OpenAI no alojó el modelo en una API de primera parte)
• GPT-OSS 20B (ago 2025): 80.0
• DeepSeek V4 Flash (abr 2026): 44.0 a $0,06 / $0,42 por millón de tokens a través de DeepSeek de primera parte API
• DeepSeek V3.2 (dic 2025): 22.5
• Mistral Small 3 24B (ene 2025): 20.9
• DeepSeek V4 Pro (abr 2026): 16.0 a $0,54 combinados, con 97.8 de capacidad en benchmarks avanzados. Eso sitúa a V4 Pro a 2.2 puntos de capacidad de Claude Opus 4.7 a aproximadamente 1/18 del precio combinado ($0,54 frente a $10,00).

La brecha de los modelos cerrados de frontera no se ha reducido

Los modelos cerrados de razonamiento de Anthropic, OpenAI y Google se agrupan entre 0 y 6 en densidad por dólar en benchmarks avanzados durante todo el período del panel. GPT-4 en marzo de 2023 obtuvo 0.0. Claude Opus 4.7 en abril de 2026 obtuvo 0.9.

Los laboratorios cerrados han recortado los precios absolutos:

• Claude Opus bajó de $30 a $10 por millón de tokens entre Opus 4 y Opus 4.5.
• OpenAI o3 bajó de $10/$40 en el lanzamiento a $2/$8 establecidos.
• Gemini 1.5 Flash bajó aproximadamente 78 %.

Pero la brecha relativa con los líderes en densidad de pesos abiertos se mantuvo entre 30 y 50× durante todo el período. DeepSeek fijó precios cerca de $0,18 por millón en 2024 (V2) y cerca de $0,18 por millón en 2026 (V4 Flash). El piso de precios de los modelos abiertos no se ha movido, y el piso de los buques insignia cerrados no se ha movido lo suficiente para cerrar la brecha. La competencia de precios está ocurriendo en el nivel de la generación anterior, donde los modelos cerrados más antiguos se mantienen como alternativas baratas, no en la frontera.

La nueva dirección: benchmarks agénticos

Los benchmarks avanzados utilizados para medir el rendimiento de la IA están empezando a perder eficacia, al igual que las suites de pruebas más antiguas que reemplazaron. Los laboratorios ahora informan resultados en benchmarks agénticos, como SWE-Bench Pro, Terminal-Bench, OSWorld-Verified y Finance Agent, en lugar de las pruebas de razonamiento más antiguas. Muchos lanzamientos recientes de frontera informan casi exclusivamente sobre estos benchmarks agénticos de LLM, sin puntuaciones en los benchmarks de razonamiento que rastrea nuestro panel principal.

Para seguir este cambio, añadimos un tercer grupo de benchmarks, Agénticos, junto a los grupos Estándar y Avanzados. Combina tres benchmarks del AIM LLM índice:

• Terminal-Bench 4.0: completar tareas agénticas en una terminal
• AIM-Agentic-RAG: enrutar cada pregunta a la base de datos correcta entre 11
• AIM-Text-to-SQL: escribir SQL correcto una vez seleccionada la base de datos correcta

Las puntuaciones se combinan con el mismo método que los otros grupos: cada benchmark se normaliza con puntuación z, se promedian las puntuaciones z disponibles de un modelo y el resultado se reescala a 0-100. Un modelo necesita al menos dos de los tres benchmarks para ser incluido.

Capacidad agéntica y densidad agéntica por dólar según la fecha de lanzamiento. Las puntuaciones van de 0 a 100 en relación con los modelos del gráfico, por lo que un 0 marca el modelo más bajo del grupo, no una ejecución fallida. Entre los modelos representados:

• Mayor capacidad agéntica: Claude Opus 5.5 (100), Gemini 4 Argon (97.4), Claude Sonnet 5.5 (79.9) y GPT-6 Astra (65.2).
• Mayor densidad agéntica por dólar: Gemini 4 Argon (100), Claude Sonnet 5.5 (82.1), GPT-6.1 Sol (53.8) y Claude Opus 5.5 (51.4).
• El precio cambia el ranking: GPT-6 Astra y Claude Fable 5.1 están en la mitad de la tabla en capacidad, pero a $20 por 1M tokens caen al fondo en densidad por dólar (13.4 y 12.3).

Explore los benchmarks agénticos consultando benchmarks de codificación agéntica, búsqueda agéntica y monitoreo agéntico.

Desafíos al comparar el rendimiento agéntico

Evaluar y comparar los resultados de benchmarks agénticos presenta varias dificultades clave:

• Enfoque en métricas de capacidad: podemos mostrar puntuaciones de capacidad, porque los datos de recursos necesarios para medir la densidad (recuentos de parámetros, cómputo de entrenamiento y precios verificados por modelo) siguen incompletos o no divulgados por los laboratorios cerrados.
• Sensibilidad a nivel de sistema: las puntuaciones de benchmarks miden todo el sistema, no solo el modelo de IA. Como las puntuaciones dependen en gran medida del «andamiaje» (el framework de software circundante), el mismo modelo puede producir resultados muy diferentes según el arnés de agente específico utilizado.
• Protocolo de estandarización: para garantizar una comparación justa, este informe representa exclusivamente datos de SWE-Bench Pro de un único entorno estandarizado (la tabla de clasificación SEAL de Scale). Otras puntuaciones informadas por laboratorios usan arneses diferentes y no son directamente comparables.
• Exclusión de Claude Opus 4.8: aunque Opus 4.8 informa un récord de 69,2 % en SWE-Bench Pro, se probó en el arnés interno de Anthropic y aún no ha sido evaluado por el SEAL de Scale. Para mantener una estricta coherencia de datos, anotamos su puntuación aquí en lugar de representarla.

SWE-Bench Pro del arnés estandarizado Scale SEAL. Las demás columnas son informadas por laboratorios con arneses variables y no son directamente comparables entre filas. Los guiones significan que no se encontró una puntuación verificada.

Estos tres se ejecutaron con el arnés mini-swe-agent, por lo que se excluyen del gráfico de dispersión para mantenerlo comparable.

Metodología de la densidad de inteligencia

Cobertura del panel

• Modelos: 71 LLMs lanzados entre febrero de 2023 y abril de 2026. 37 modelos tienen puntuaciones de benchmarks estándar y 54 tienen puntuaciones de benchmarks avanzados. Los modelos sin un grupo de benchmarks completo se excluyen de los cálculos de densidad de ese grupo.
• Benchmarks: 10 benchmarks públicos, todos informados por laboratorios y rastreables a una fuente primaria. No volvimos a ejecutar ningún benchmark.
• Recursos: para cada modelo, dividimos su puntuación de capacidad por tres recursos de forma independiente:
  • Parámetros activos: un proxy para el costo de memoria y servicio. Restringido a modelos de pesos abiertos, porque los laboratorios de pesos cerrados (OpenAI, Anthropic, Google) no divulgan los recuentos de parámetros.
  • Cómputo de entrenamiento (FLOP): un proxy para la eficiencia de entrenamiento. También restringido a modelos de pesos abiertos. Las cifras de FLOP son en su mayoría estimaciones de Epoch IA y deben entenderse como direccionales.
  • Precio de inferencia: el precio que realmente paga un comprador en la API. La capacidad se divide por el precio combinado por millón de tokens en una proporción de entrada-salida de 3:1. Participan tanto modelos abiertos como cerrados, porque los precios de la API son verificables públicamente.

¿Por qué dos grupos de benchmarks?

Los modelos lanzados en 2024 saturaron los benchmarks estándar que los laboratorios de IA habían usado desde 2020. Una vez que los modelos de frontera alcanzan 90 % o más en un benchmark, la prueba ya no separa a los modelos fuertes de los más fuertes. Los laboratorios respondieron introduciendo benchmarks más difíciles.

Tratamos este cambio como un corte limpio por dos razones:

• Primero, mezclar benchmarks fáciles y difíciles dentro de una única puntuación de capacidad permitiría que una puntuación saturada en un benchmark fácil enmascare una puntuación baja en uno difícil. Un modelo que obtiene 85 en MMLU-Pro es más fuerte que uno que obtiene 85 en MMLU. Tratar ambos como equivalentes comprime el rango de puntuaciones y premia los benchmarks más antiguos.
• Segundo, las dos suites tienen distribuciones de puntuación diferentes: los benchmarks estándar se agrupan en la parte alta (la mayoría de los modelos de frontera por encima de 85), mientras que los benchmarks avanzados tienen una dispersión más amplia (modelos superiores alrededor de 90, nivel medio alrededor de 50, modelos más débiles por debajo de 30). Aplicar una normalización z de ambos a la vez distorsionaría la estimación de la varianza.

Calculamos la capacidad de cada grupo de forma independiente:

• Benchmarks estándar (2023-2024): MMLU (5-shot), GSM8K (8-shot chain of thought), HellaSwag (10-shot), ARC Challenge (25-shot), HumanEval (0-shot pass@1).
• Benchmarks avanzados (2024-2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.

Una puntuación de 90 en benchmarks estándar no es equivalente a 90 en benchmarks avanzados. Para cualquier modelo lanzado desde finales de 2024 en adelante, los benchmarks avanzados son la referencia significativa.

Fórmula de capacidad

Para cada benchmark b y cada modelo m:

Usamos la desviación estándar poblacional (divide por N, no N−1). Esto coincide con el cálculo original de pandas con ddof=0 y garantiza que añadir un solo modelo nuevo no desplace retroactivamente la estimación de la varianza.

Luego promediamos las puntuaciones z disponibles por modelo dentro de cada grupo de benchmarks y reescalamos con normalización min-max a una puntuación relativa al panel de 0-100.

Fórmula de densidad

Para cada vista de densidad:

El denominador cambia según la vista: parámetros activos en miles de millones, FLOP de entrenamiento dividido por 10²⁴, o precio combinado por millón de tokens.

Metodología del índice encadenado

Los dos gráficos de índice al principio del artículo (Densidad de inteligencia y Capacidad) muestran un crecimiento acumulado de una sola línea indexado a 100 en 2023, siguiendo el modelo del formato de retorno acumulado del S&P 500. Encadenamos las tasas de crecimiento interanual a través de la transición de benchmarks en lugar de representar valores absolutos.

Paso 1. Calcular la media anual de la métrica para cada grupo de benchmarks:

Para el Índice de Densidad de Inteligencia, la métrica es el promedio por fila de las tres puntuaciones de densidad por modelo (Densidad Combinada A o B). Para el Índice de Capacidad, la métrica es la puntuación de capacidad relativa al panel (Capability_A o Capability_B).

Paso 2. Para cada transición interanual, calcular el crecimiento dentro de un único grupo de benchmarks. Ambos años deben provenir del mismo grupo:

Paso 3. Encadenar multiplicativamente desde una base de 100 en 2023:

Selección de grupo por transición:

• 2023 - 2024: benchmarks estándar (Avanzados tiene 1 modelo en 2023, demasiado poco para calcular una media estable)
• 2024 - 2025: benchmarks avanzados (Estándar se saturó a finales de 2024; Avanzados tiene 16 modelos en 2024 y 27 en 2025)
• 2025 - 2026: benchmarks avanzados (Estándar no informado para 2026)

El índice encadenado asume que las poblaciones subyacentes son comparables entre años dentro de un grupo. Nuestro panel es heterogéneo (modelos diferentes cada año, con cobertura de benchmarks diferente), por lo que los valores encadenados se leen mejor como un resumen direccional que como un multiplicador preciso.

Principios básicos de evaluación para la medición de la densidad de inteligencia

• Benchmarks estándar de la industria: no introducimos ningún benchmark personalizado.
• Abastecimiento desde fuentes primarias: cada puntuación de benchmark es rastreable hasta el artículo de lanzamiento del modelo, la tarjeta del modelo o el anuncio oficial. Cuando la fuente primaria no informó un benchmark, la celda queda en blanco en lugar de imputarse.
• Marcadores de cobertura (N): para cada modelo informamos el número de benchmarks que contribuyen a su puntuación de capacidad en cada grupo. Los modelos con N=1 reciben una puntuación más ruidosa que los modelos con N=5. El caso N=1 se aplica a Qwen 3.6 35B A3B (SWE-bench Verified) y a algunos lanzamientos insignia cerrados de 2026.

Fuentes de precios para modelos de pesos cerrados

Los precios son la parte del índice más sensible a la cohorte. Usamos la siguiente jerarquía:

1. Anuncio de lanzamiento del laboratorio (preferido): precio citado en la publicación de lanzamiento del laboratorio, la documentación de la API o la cobertura de prensa contemporánea.
2. Mediana entre proveedores de Artificial Analysis (alternativa para modelos de pesos): se usa para tres filas de Llama 3.1 (8B, 70B, 405B) y las filas de GPT-OSS, porque no existe una API de primera parte.
3. Pesos sin cobertura: 22 de 69 filas no tienen precio por dólar registrado. Aparecen en los gráficos de capacidad y por parámetro, pero están ausentes de los gráficos por dólar.

Seguimos dos pistas de precios: precio de lanzamiento (precio de primera parte el día del lanzamiento) y precio establecido (precio actual de primera parte, o el último antes de la descontinuación). Seis modelos del panel cambiaron de precio después del lanzamiento:

• Gemini 1.5 Pro: de $3,50/$10,50 a $1,25/$5,00 (octubre de 2024)
• GPT-4o: de $5,00/$15,00 a $2,50/$10,00 (octubre de 2024)
• Gemini 1.5 Flash: de $0,35/$1,05 a $0,075/$0,30 (agosto de 2024)
• Claude 3.5 Haiku: de $1,00/$5,00 a $0,80/$4,00 (diciembre de 2024)
• o3: de $10,00/$40,00 a $2,00/$8,00 (junio de 2025)

La densidad por dólar del titular usa precios establecidos. Para 37 de 43 filas con precio, los precios de lanzamiento y establecidos son idénticos.

Cadencia de actualización

Actualizamos el índice mensualmente. Cada actualización añade nuevas filas de modelos para cualquier lanzamiento de frontera o notable del mes anterior, actualiza los precios cuando los laboratorios han ajustado sus tarifas, rellena benchmarks recién informados para filas existentes y recalcula las puntuaciones z en todo el panel. Las nuevas entradas de modelos desplazan la media y la desviación estándar de cada benchmark, por lo que las puntuaciones existentes de 0-100 se mueven con el panel. Se conservan las instantáneas históricas.

Limitaciones de la evaluación de la densidad de inteligencia

• Optimismo informado por los laboratorios: las puntuaciones de benchmarks provienen de los propios laboratorios. Las ejecuciones independientes suelen ser de 5 a 13 puntos más bajas. Las líneas de tendencia son informativas direccionalmente, pero no precisas punto a punto.
• Modos de razonamiento y no razonamiento no separados: los modelos lanzados en 2025 y 2026 admiten alternancias de pensamiento extendido que pueden cambiar las puntuaciones de matemáticas y codificación entre 5 y 15 puntos. Usamos puntuaciones en modo predeterminado cuando son identificables.
• Las cifras de FLOP de entrenamiento son mayormente estimaciones: un puñado de filas tienen FLOP confirmado por el laboratorio. El resto se extrapolan de parámetros y tokens de entrenamiento divulgados, principalmente a través de Epoch IA.
• Recuentos de parámetros de modelos cerrados desconocidos: la densidad por parámetro y por FLOP está en blanco para las filas cerradas de frontera. Los modelos cerrados participan en la densidad por dólar.
• Puntuaciones relativas al panel: las puntuaciones de densidad se reescalan con normalización min-max dentro del panel. Un nuevo modelo con una proporción bruta más alta desplaza la puntuación de 0-100 de todos los modelos existentes. Para comparar versiones del panel, use las proporciones brutas subyacentes en lugar de las puntuaciones reescaladas.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

¿Qué es la densidad de inteligencia?

La densidad de inteligencia representa una nueva métrica para evaluar cuánto conocimiento y capacidad de razonamiento puede concentrar un modelo en una sola unidad de memoria o cómputo. Mide la arquitectura del modelo evaluando con qué eficacia usa cada parámetro para generar valor.

En este marco, el eje x a menudo representa el número de parámetros del modelo, mientras que el eje y sigue el rendimiento en tareas desafiantes. Una densidad alta se produce cuando los modelos demuestran capacidades superiores sin requerir el enorme costo computacional asociado a modelos más grandes. Este proceso demuestra que la inteligencia no depende únicamente de la cantidad de datos o de la escala del entrenamiento, sino más bien de cómo el software y los algoritmos organizan esa información.

Anteriormente, la comunidad de IA dependía de escalar los parámetros del modelo para alcanzar un mayor rendimiento, lo que daba como resultado sistemas masivos y con un alto consumo de recursos. Con este cambio de enfoque, la optimización algorítmica se prioriza sobre el volumen bruto para producir más inteligencia a partir de modelos más pequeños.

¿Por qué es importante medir la densidad de inteligencia?

Los sistemas eficientes deben optimizar el tiempo de inferencia y el uso de memoria. Identificar el punto donde más tokens o cómputo adicional ya no producen ganancias significativas ayuda a la industria a comprender los límites superiores de los modelos de lenguaje grandes actuales. Las principales razones para medir la densidad de inteligencia se pueden resumir así:

• La comunidad de IA subestima los costes indirectos a largo plazo de mantener modelos sobredimensionados en centros de datos.
• La creación de valor en aplicaciones prácticas depende de la relación entre la calidad de salida y la potencia necesaria para producirla.
• La ley de Moore para el hardware no puede sostener el crecimiento de los modelos de lenguaje sin un progreso correspondiente en la forma en que los optimizamos.
• El aprendizaje por refuerzo y una mejor distribución de datos permiten que las herramientas de próxima generación alcancen benchmarks que antes estaban reservados solo para humanos. Obtenga más información sobre el aprendizaje por refuerzo y otros tipos de técnicas de LLM fine-tuning.

Aunque los modelos más grandes siguen siendo importantes para explorar nuevas fronteras, la densidad de un sistema determina su utilidad real en el mundo real. Este contexto ayuda a ver la inteligencia como un resultado concentrado del entrenamiento, no como un subproducto del mero tamaño.

Lecturas adicionales

La densidad de inteligencia es una forma de comparar LLMs. Otras dimensiones se cubren en análisis separados:

• Benchmarks de latencia: para el tiempo hasta el primer token y tokens por segundo, consulte nuestro LLM benchmark de latencia.
• Benchmarks por tarea: para razonamiento financiero, consulte nuestro finanzas LLM benchmark. Para codificación, consulte nuestro benchmark de codificación de IA.

Cita este benchmark

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{simsek2026,
  author = {Şimşek, Hazal},
  title  = {{Densidad de inteligencia de 71 LLMs para modelos más inteligentes y densos}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/intelligence-density}},
  note   = {AIMultiple. Recuperado el 23 de octubre de 2026}
}

Registro de cambios

3 actualizaciones

2026

1. 7 de jul

   Se añadieron Claude Fable 5 y GLM 5.2 a la clasificación de benchmarks agénticos.

2. 6 de jul

   Se eliminó el cómputo de entrenamiento (FLOP) como métrica de recursos de densidad de inteligencia.

3. 15 de jun

   Reemplazó el comentario de los resultados de densidad de inteligencia por la metodología de cálculo y advertencias sobre las bases 2024-2025.

Hazal Şimşek

Analista del sector

Síguenos

Hazal es analista del sector en AIMultiple, centrándose en la inteligencia de procesos (incluida la minería de procesos) y la automatización empresarial (incluidas la automatización de TI y la automatización low-code/no-code).

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