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

LLM Prueba comparativa de latencia por casos de uso

13 de oct

Aquí puede encontrar detalles sobre cómo medimos la latencia. Presentamos los modelos con razonamiento y sin razonamiento por separado. Los modelos con razonamiento pasan varios segundos pensando antes de la primera respuesta visible, por lo que compararlos directamente con los modelos sin razonamiento en latencia sería engañoso. Algunos modelos también cambian su comportamiento según la…

50+ Casos de uso de ChatGPT con ejemplos reales

ChatGPT alcanzó aproximadamente 1 mil millones de usuarios activos semanales a principios de 2026, aproximadamente el 10 % de la población mundial. OpenAI superó los $20 mil millones en ingresos anuales en 2025, confirmado por la directora financiera Sarah Friar. El Anthropic Economic Index distingue dos modos de uso: el aumento, en el que un humano…

6 de oct

Modelos de lenguaje de gran tamaño en ciberseguridad

Evaluamos 7 grandes modelos de lenguaje en 9 dominios de ciberseguridad usando SecBench, un benchmark a gran escala y multiformato para tareas de seguridad. Probamos cada modelo con 44.823 preguntas de opción múltiple (MCQs) y 3.087 preguntas de respuesta corta (SAQs), que abarcan seguridad de datos, gestión de identidades y accesos, seguridad de redes, gestión…

Comparación de Funciones

6 de oct

Precios de LLM: comparativa de los 15+ principales proveedores

Realizamos un seguimiento de los precios de lanzamiento de más de 160 LLM, desde GPT-3.5 Turbo en marzo de 2023 hasta los últimos lanzamientos, agrupados por clase de tamaño. También comparamos los precios de la API de los modelos actuales con sus resultados de benchmark y revisamos los planes de suscripción de los principales proveedores.…

30 de sep

Puertas de enlace de IA para OpenAI: Alternativas a OpenRouter

Evaluamos OpenRouter, SambaNova, TogetherAI, Groq y IA/ML API en tres indicadores (latencia del primer token, latencia total y recuento de tokens de salida), con 300 pruebas usando prompts cortos (aprox. 18 tokens) y prompts largos (aprox. 203 tokens) para la latencia total. Si planea usar una de estas puertas de enlace de IA, puede: En…

Análisis

21 de sep

LLM Calculadora de VRAM para alojamiento propio

Alojar por tu cuenta un LLM implica ejecutar la inferencia en hardware que controla el operador, en lugar de a través de una API de terceros, lo que cambia el coste, el control de los datos y el perfil de privacidad. El hecho de que un modelo pueda ejecutarse depende de la memoria. La calculadora…

18 de sep

TI agéntica: ¿Pueden los agentes de IA diseñar un benchmark?

Probamos 16 modelos en un diseño de benchmark de texto a SQL y llamada de herramientas. Cada modelo creó un benchmark por tema, para un total de 32 envíos. Ningún envío superó todos los criterios de la rúbrica. Los agentes pudieron construir y ejecutar pruebas, pero ninguno demostró a la vez una prueba de respuesta…

17 de sep

AIM Enterprise: Benchmark empresarial agéntico

Las empresas usan LLM todos los días para sus tareas habituales. Para encontrar los LLM más rentables, diseñamos AIM Enterprise, un benchmark empresarial agéntico, donde usamos 69 tareas empresariales reales en estrategia, marketing, RR. HH., ventas y operaciones. Dos modelos jueces puntuaron cada archivo que superó las comprobaciones. En el 32,7 % de las puntuaciones individuales,…

Análisis

15 de sep

LLM leyes de escalado: análisis de investigadores de IA

Los modelos de lenguaje de gran tamaño predicen el siguiente token basándose en patrones aprendidos de los datos de texto. El término LLM leyes de escalado se refiere a las regularidades empíricas que vinculan el rendimiento del modelo con la cantidad de cómputo, los datos de entrenamiento y los parámetros del modelo utilizados durante el…

Comparación de Funciones

15 de sep

Comparativa de 9 grandes modelos de lenguaje en atención médica

Evaluamos comparativamente 9 LLMs utilizando el dataset MedQA, un benchmark de examen clínico de nivel de posgrado derivado de preguntas del USMLE. Cada modelo respondió los mismos escenarios clínicos de opción múltiple mediante un prompt estandarizado, lo que permite una comparación directa de la precisión. También registramos la latencia por pregunta dividiendo el tiempo de…