AIM LLM Index

AIM-Agentic-RAGEnrutamiento multibase de datos y generación de consultas SQL en 5 bases de datos (BIRD-SQL, 500 preguntas).

AIM-AI-BiasPer model per question per repetition bias evaluation results across 64 questions in both multiple choice and open ended formats, 27 models in the multiple choice condition and 26 in the open ended condition

AIM-FinanceReasoningRazonamiento financiero complejo de varios pasos en 238 preguntas difíciles de FinanceReasoning.

AIM-Text-to-SQLPrecisión en la generación de consultas SQL a partir de lenguaje natural en más de 35 LLM.

CritPtProblemas de fisica de nivel de investigacion que requieren derivaciones de varios pasos.

FrontierMathProblemas matemáticos de investigación inéditos, redactados por expertos (niveles 1–4).

MMMU-ProComprension multimodal de nivel universitario entre disciplinas, reforzada contra atajos de solo texto.

SciCodeProgramación científica de nivel de investigación en física, matemáticas, biología y química (338 subproblemas)

Terminal-Bench 4.0La generacion actual de Terminal-Bench: tareas agenticas de terminal puntuadas por tasa de resolucion.

Actualizaciones recientes

Últimos cambios en el AIM LLM Index, la cobertura de modelos y la metodología de benchmarks de AIMultiple.

13 de oct. de 2026

Google

Gemini 4 Argon

Nuevo modelo añadido al AIM LLM Index.

12 de oct. de 2026

Muse Wonder

Nuevo modelo añadido al AIM LLM Index.

7 de oct. de 2026

Anthropic

Claude Haiku 5.5

Nuevo modelo añadido al AIM LLM Index.

29 de sept. de 2026

OpenAI

GPT-6.1 Sol

Nuevo modelo añadido al AIM LLM Index.

Cronología de lanzamientos de LLMEl ritmo de la innovación en IA

DeepSeek

DeepSeek V4 Flash Vision Exp

21 ago

DeepSeek V4.1 Flash

10 sep

DeepSeek V4.1 Flash 1017

17 oct

Explorar Casos de uso, análisis y comparativas del programa LLM

Comparativa de modelos de IA multimodal en razonamiento visual

Benchmark

15 de oct

Evaluamos 40 modelos de IA multimodal líderes en razonamiento visual usando 200 preguntas visuales. La evaluación constó de dos bloques: 100 preguntas de comprensión de gráficos que ponen a prueba la interpretación de visualizaciones de datos, y 100 preguntas de lógica visual que evalúan el reconocimiento de patrones y el razonamiento espacial. Consulte nuestra metodología…

Grandes models multimodales (LMMs) vs LLMs

Evalúa LLMs y LMMs comparando sus puntuaciones de benchmark y la latencia en el mundo real haciendo clic en el nombre del model en la tabla siguiente. También puedes sopesar sus precios de entrada y salida para juzgar la eficiencia y el valor generales. *Audio es nativo solo en los models E2B, E4B y 12B.…

10+ Ejemplos de LLM

Hemos recopilado benchmarks de código abierto para comparar los principales LLM propietarios y de código abierto. Elija su caso de uso para encontrar el LLM adecuado. Puede evaluar los LLM examinando su rendimiento en benchmarks y la latencia en el mundo real (disponible al hacer clic en el nombre de cada modelo en la tabla),…

Comparación de Funciones

Principales herramientas de LLMOps y compáralas con MLOps

Las plataformas de LLMOps se encargan del aspecto operativo de la ejecución de LLMs: despliegue, monitoreo, evaluación y gestión de costes. Analizamos las principales herramientas de LLMOps, sus funciones clave, sus esquemas de precios y en qué se diferencian entre sí para ayudar a identificar la mejor opción para distintos casos de uso. A continuación…

Benchmark

AIM-Text-to-SQL Benchmark: exactitud de SQL en más de 70+ LLMs

La exactitud de SQL es el porcentaje de consultas evaluadas que devuelven el resultado de referencia. Las rutas incorrectas y las referencias marcadas como defectuosas se excluyen. Una consulta de referencia es el SQL proporcionado como respuesta esperada. Cada model alcanza un conjunto diferente de preguntas de SQL porque la puntuación depende de sus elecciones…

Benchmark

Benchmark de 90+ LLMs en Finanzas: Claude Opus 5.5 y Gemini 4 Argon

El conjunto de prueba es el subconjunto difícil del benchmark FinanceReasoning (Tang et al.), con 238 preguntas. La precisión es el porcentaje de preguntas respondidas correctamente. Las respuestas numéricas reciben una tolerancia relativa del 0,2 %. Los tokens de salida son los tokens generados en las 238 respuestas. Los tokens de entrada se cuentan por separado…

Evaluación en Mundo Abierto

LLM Orquestación: 22 frameworks y gateways

Optimizar la orquestación de LLM es clave para mejorar el rendimiento manteniendo el uso de recursos bajo control. Para evaluar cómo funcionan en la práctica diferentes enfoques de orquestación, realizamos un benchmark: Descubra herramientas seleccionadas de orquestación de LLM, incluidos frameworks para desarrolladores y gateways empresariales: La orquestación de LLM implica gestionar e integrar múltiples…

Comparar los modelos GPT-5: razonamiento, velocidad y coste

Exploramos las diferencias entre la familia GPT-5 de OpenAI (por ejemplo, GPT-5, GPT-5-mini y GPT-5-nano) recopilando el rendimiento en los benchmarks y los costes de ejecutar los benchmarks. Usamos la familia GPT-5 en nuestro análisis. Usamos seis benchmarks de diversas áreas, incluidos el razonamiento, la programación, el seguimiento de instrucciones y las matemáticas. Nuestro análisis…

13 de oct

LLM Cuota de mercado: comparación de uso y adopción

Analizamos la cuota de mercado de LLM combinando datos basados en el uso y estimaciones de visitas web para mostrar cómo se distribuye la demanda de large language models entre los laboratorios de IA y las aplicaciones de IA. Lea la metodología para ver cómo medimos y calculamos estos resultados. Estados Unidos dominó las visitas…

13 de oct

El futuro de los grandes modelos de lenguaje

Vea el futuro de los grandes modelos de lenguaje comparando enfoques, como el autoentrenamiento, la verificación de hechos y la especialización dispersa, que podrían abordar las limitaciones de los LLM. Los LLM acceden a fuentes externas durante las conversaciones en lugar de depender de los datos de entrenamiento. El modelo consulta bases de datos externas,…