Kimi K3 añadido
El modelo más reciente del Índice de Inteligencia de AIMultiple es Kimi K3.
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. Ver la metodología.
MEJOR MODELO
Claude Fable 5
Índice 92
Mejor relación calidad-precio
MiniMax M3
$0.42 / 1M
Más rápido
GPT OSS 120B
0.23s TTFT
Cobertura
64 modelos
8 benchmarks · 336 evaluaciones
Índice de Inteligencia de AIMultiple
Clasificación
Los modelos con mayor puntuación en todos los benchmarks.
Filter & Sort
# | 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 | ||||||||||
Costo$20.00
Latencia4.02s
Contexto1M
TTFT4.02s
LegalBench
89
FinanceReasoning
90
Text-to-SQL
90
Agentic RAG
98
Agentic LLM Benchmark
69
Costo$6.00
Latencia2.93s
Contexto1M
TTFT2.93s
LegalBench
86
FinanceReasoning
88
Text-to-SQL
77
Agentic RAG
93
Agentic LLM Benchmark
73
Costo$11.25
Latencia4.31s
Contexto1M
TTFT4.31s
LegalBench
87
FinanceReasoning
90
Text-to-SQL
74
Agentic RAG
87
ARC-AGI-2
93
Agentic LLM Benchmark
62
Costo$3.00
Latencia7.25s
Contexto500k
TTFT7.25s
LegalBench
86
FinanceReasoning
88
Text-to-SQL
79
Agentic RAG
83
Agentic LLM Benchmark
73
Costo$11.25
Latencia0.70s
Contexto272k
TTFT0.70s
LegalBench
87
ARC-AGI-2
85
Agentic LLM Benchmark
59
Costo$4.50
Latencia1.62s
Contexto1M
TTFT1.62s
LegalBench
85
FinanceReasoning
87
Text-to-SQL
71
Agentic RAG
91
ARC-AGI-2
84
Agentic LLM Benchmark
61
Costo$11.25
Latencia11.11s
Contexto1M
TTFT11.11s
FinanceReasoning
91
Text-to-SQL
79
Agentic RAG
96
Agentic LLM Benchmark
54
Costo$10.00
Latencia1.71s
Contexto1M
TTFT1.71s
FinanceReasoning
88
Text-to-SQL
68
Agentic RAG
80
ARC-AGI-2
69
Agentic LLM Benchmark
72
Costo$4.50
Latencia-
Contexto1M
TTFT
LegalBench
87
FinanceReasoning
86
Text-to-SQL
60
Agentic RAG
89
ARC-AGI-2
31
Costo$4.50
Latencia22.02s
Contexto1M
TTFT22.02s
LegalBench
87
FinanceReasoning
87
Text-to-SQL
65
Agentic RAG
89
ARC-AGI-2
77
Agentic LLM Benchmark
46
FrontierMath
27
Página 1 de 7
Evolución en el tiempo
Índice de Inteligencia por fecha de lanzamiento del modelo
Coste frente a rendimiento
Coste combinado frente al Índice de Inteligencia
Modelo × Benchmark
Mejores modelos en los benchmarks seleccionados
Metodología
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.
AIMultiple
FinanceReasoningRazonamiento financiero complejo de varios pasos en 238 preguntas difíciles de FinanceReasoning.AIMultiple
Text-to-SQLPrecisión en la generación de consultas SQL a partir de lenguaje natural en más de 35 LLM.AIMultiple
Agentic RAGEnrutamiento multibase de datos y generación de consultas SQL en 5 bases de datos (BIRD-SQL, 500 preguntas).AIMultiple
AI MemoryRecuperación de datos numéricos en contextos largos según la posición en el documento (100 elementos, 14 transcripciones).AIMultiple
AI HallucinationResistencia a inventar métricas no mencionadas en documentos de contexto largo (204 trampas, 14 transcripciones).Público
Humanity's Last ExamRazonamiento a libro cerrado de nivel experto en más de 100 materias académicas (2,5k preguntas).Público
SciCodeProgramación científica de nivel de investigación en física, matemáticas, biología y química (338 subproblemas)Público
LegalBenchRazonamiento jurídico colaborativo en 162 tareas creadas por profesionales del derecho.Público
FrontierMathProblemas matemáticos de investigación inéditos, redactados por expertos (niveles 1–4).Público
ARC-AGI-2Nuevos rompecabezas de razonamiento visual que evalúan la generalización, no la memorización.Público
Swe-BenchIssues reales de GitHub resueltos de principio a fin (conjunto completo de 2.294 instancias).Público
LiveCodeBenchProblemas de programación competitiva sin contaminación y actualizados continuamente.AIMultiple
Agentic LLM BenchmarkProgramación agéntica en 10 tareas de desarrollo de software mediante una herramienta CLI (~3.500 pasos de validación).Actualizaciones recientes
Actualizaciones recientes
Últimos cambios en el Índice de Inteligencia, la cobertura de modelos y la metodología de benchmarks de AIMultiple.
Moonshot AI
Kimi K3
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
OpenAI
GPT-5.6 Sol
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
OpenAI
GPT-5.6 Terra
Nuevo modelo añadido al Índice de Inteligencia de AIMultiple.
OpenAI
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
Análisis
11 de AgoLLM 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
Benchmark
11 de AgoAgentic IT: Can LLMs Design a Benchmark
We gave 12 large language models the job a benchmark team does: invent a benchmark, build it, run four models through it, and report the results. Each did it twice. None of the 24 attempts passed every criterion, and six of the rubric’s checks were passed by none of them. The two topics are text-to-SQL,…
LLM
Benchmark
9 de AgoText-to-SQL: Comparación de la precisión de los LLM
Ejecutamos 36 modelos de lenguaje grandes sobre 759 preguntas de BIRD-SQL, cada modelo escribiendo SQL contra una base de datos que tenía que identificar por sí mismo entre 11 candidatas. Cada consulta analizable se ejecutó contra la base de datos real y su conjunto de resultados se comparó con el conjunto de resultados de la…
LLM
Evaluación en Mundo Abierto
6 de AgoLLM Orquestación: 22 Frameworks y Puertas de Enlace
Optimizar la orquestación de LLM es clave para mejorar el rendimiento manteniendo el uso de recursos bajo control. Para evaluar cómo se desempeñan en la práctica los diferentes enfoques de orquestación, realizamos pruebas de referencia: Descubre herramientas seleccionadas de orquestación de LLM, incluyendo frameworks para desarrolladores y puertas de enlace empresariales: La orquestación de LLM…
LLM
Benchmark
4 de AgoHALC-Bench: LLM Alucinación en Benchmark de Recuperación de Contexto Largo
HALC-Bench (LLM Hallucination on Long-Context Retrieval Benchmark) 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. claude-fable-5 respondió correctamente a…
LLM
Benchmark
4 de AgoComparativa de Models de IA Multimodal en Razonamiento Visual
Realizamos un benchmark de 15 models de IA multimodal líderes en razonamiento visual utilizando 200 preguntas basadas en imágenes. La evaluación consistió en dos áreas: 100 preguntas de comprensión de gráficos que evaluaban la interpretación de visualizaciones de datos, y 100 preguntas de lógica visual que evaluaban el reconocimiento de patrones y el razonamiento espacial.…
LLM
Benchmark
4 de AgoSimulación de audiencia: ¿Pueden los LLMs predecir el comportamiento humano?
En marketing, evaluar con qué precisión los LLMs predicen el comportamiento humano es crucial para valorar su efectividad en la anticipación de las necesidades de la audiencia y reconocer los riesgos de desalineación, comunicación ineficaz o influencia no deseada. La simulación de audiencias con LLMs permite modelar audiencias virtuales, ayudando a las organizaciones a prever…
LLM
Benchmark
2 de AgoPasarelas de IA para OpenAI: Alternativas a OpenRouter
Realizamos un benchmark de OpenRouter, SambaNova, TogetherAI, Groq y IA/ML API en tres indicadores (latencia del primer token, latencia total y cantidad de tokens de salida), con 300 pruebas utilizando prompts cortos (aprox. 18 tokens) y prompts largos (aprox. 203 tokens) para la latencia total. Si planea usar una de estas pasarelas de IA, puede:…
LLM
Análisis
16 de JulLLM 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
Análisis
12 de JulLLM 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…