Benchmarks de LLM
Un único Índice de Inteligencia transparente que combina benchmarks públicos con las propias evaluaciones agénticas, de RAG y de razonamiento empresarial de AIMultiple.
Clasificación
Los modelos con mayor puntuación en todos los benchmarks.
# | Modelo | Índice | LegalBench | FinanceReasoning | Text-to-SQL | Agentic RAG | ARC-AGI-2 | Agentic LLM Benchmark | FrontierMath | Swe-Bench |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 |  Claude Fable 5 Anthropic | 92 | 89 | 90 | 90 | 98 | - | 69 | - | - |
| 2 |  Kimi K3 Moonshot AI | 88 | 86 | 88 | 77 | 93 | - | 73 | - | - |
| 3 |  GPT-5.6 Sol OpenAI | 87 | 87 | 90 | 74 | 87 | 93 | 62 | - | - |
| 4 |  Grok 4.5 X | 86 | 86 | 88 | 79 | 83 | - | 73 | - | - |
| 5 | GPT-5.5 OpenAI | 83 | 87 | - | - | - | 85 | 59 | - | - |
| 6 | GPT-5.6 Terra OpenAI | 80 | 85 | 87 | 71 | 91 | 84 | 61 | - | - |
| 7 | GPT-5.6 Sol Pro OpenAI | 80 | - | 91 | 79 | 96 | - | 54 | - | - |
| 8 | Claude Opus 4.6 Anthropic | 78 | - | 88 | 68 | 80 | 69 | 72 | - | - |
| 9 |  Gemini 3 Pro Preview Google | 77 | 87 | 86 | 60 | 89 | 31 | - | - | - |
| 10 | Gemini 3.1 Pro Preview Google | 77 | 87 | 87 | 65 | 89 | 77 | 46 | 27 | - |
Página 1 de 7 | ||||||||||
Gráficos
Modelos siguiendo "Mejor rendimiento"
Cómo se construye el índice
El Índice de Inteligencia normaliza cada benchmark a una escala de 0 a 100 y promedia la posición relativa de un modelo en los benchmarks en los que se evaluó. Cada benchmark a continuación alimenta esa puntuación.
Actualizaciones recientes
Últimos cambios en el Índice de Inteligencia, la cobertura de modelos y la metodología de benchmarks de AIMultiple.
Kimi K3
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
GPT-5.6 Sol
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
GPT-5.6 Terra
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
GPT-5.6 Sol Pro
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
Explorar Casos de uso, análisis y comparativas del programa LLM
LLM Precios: Los 15+ mejores proveedores comparados
API Los precios de las API cambian con cada generación de modelos. El gráfico a continuación sitúa cada modelo en su fecha de lanzamiento, muestra su precio de lista por millón de tokens, utiliza una relación combinada de 3:1 entre entrada y salida, y agrupa los modelos en ocho clases de tamaño. Los precios son…
Text-to-SQL: Comparación de la precisión de LLM
He confiado en SQL para el análisis de datos durante 18 años, comenzando en mis días como consultor. Traducir preguntas en lenguaje natural a SQL hace que los datos sean más accesibles, permitiendo a cualquiera, incluso a aquellos sin habilidades técnicas, trabajar directamente con bases de datos. Utilizamos nuestra metodología de referencia text-to-SQL en más…
LLM Guía de Fine-Tuning para Empresas
Siga los enlaces para encontrar soluciones específicas a los desafíos de salida de su LLM. Si su LLM: La adopción generalizada de modelos de lenguaje grandes (LLMs) ha mejorado nuestra capacidad para procesar el lenguaje humano. Sin embargo, su entrenamiento genérico a menudo resulta en un rendimiento subóptimo para tareas específicas. Para superar esta limitación,…
LLM Herramientas de Observabilidad: Weights & Biases, Langsmith
Las aplicaciones de LLM se han expandido de chats de un solo turno a agentes de múltiples pasos que utilizan herramientas, consultan bases de datos y se coordinan con otros modelos, lo que dificulta la interpretación de su comportamiento. La observabilidad de LLM proporciona visibilidad continua en estos flujos de trabajo complejos, ayudando a las…
LLM Calculadora de VRAM para Autohospedaje
Autohospedar un LLM significa ejecutar la inferencia en hardware controlado por el operador en lugar de a través de una API de terceros, lo que cambia el costo, el control de datos y el perfil de privacidad. El que un modelo pueda ejecutarse depende de la memoria. La calculadora estima la VRAM o la memoria…
Comparativa de 40+ LLMs en Finanzas: Claude Fable 5 & GPT-5.6 Sol
Evaluamos 40+ LLMs en finanzas en 238 preguntas difíciles del benchmark FinanceReasoning para identificar qué modelos destacan en tareas complejas de razonamiento financiero como análisis de estados financieros, pronósticos y cálculos de ratios. Evaluamos LLMs en 238 preguntas difíciles del benchmark FinanceReasoning (Tang et al.).1 Este subconjunto aborda las tareas de razonamiento financiero más desafiantes,…
LLM Automatización: Las 7 mejores herramientas y 8 casos de estudio
LLM automation se refiere al cambio hacia herramientas de automatización inteligente que aprovechan los LLMs, incluyendo agentes de IA, LLMs ajustados y modelos RAG para automatizar y coordinar tareas. Explora qué es la automatización con LLM, sus principales aplicaciones en la vida real y las principales herramientas: Los modelos de lenguaje grandes en automación es…
LLM Evaluación comparativa de latencia por casos de uso
Realizamos un benchmark de 11 de los principales grandes modelos de lenguaje con un total de 1,320 solicitudes, separando modelos de razonamiento y de no razonamiento , y medimos la latencia del primer token, la latencia por token y el tiempo total de respuesta. Aquí puede consultar los detalles sobre cómo medimos la latencia. Presentamos…
HALC-Bench: LLM Alucinación en el Benchmark de Recuperación de Contexto Largo
HALC-Bench (LLM Alucinación en el Benchmark de Recuperación de Contexto Largo) mide la resistencia de un LLM a fabricar evidencia para una métrica que no existe en el documento objetivo mediante el uso de 3 pajares colocados al principio, en el medio y al final de la ventana de contexto del modelo, con 204 preguntas.…
Densidad de inteligencia de 71 LLMs: 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). Para calcular la densidad de inteligencia, ejecutamos los siguientes pasos: Consulte…