Gemini 4 Argon añadido
El modelo más reciente del AIM LLM Index es Gemini 4 Argon.
AIM LLM Index
Un único índice transparente que combina benchmarks públicos con las propias evaluaciones agénticas, de RAG y de razonamiento empresarial de AIMultiple. Cómo se construye el índice
MEJOR MODELO
Claude Opus 5.5
Índice 78
Mejor relación calidad-precio
GPT-6.1 Sol
$4.00 / 1M
Más rápido
DeepSeek V4 Flash 0731
0.37s TTFT
AIM LLM Index
Clasificación
Los modelos con mayor puntuación en todos los benchmarks.
Filter & Sort
# | Modelo | Índice | AIM-Agentic-RAG | AIM-AI-Bias | AIM-FinanceReasoning | AIM-Text-to-SQL | CritPt | FrontierMath | MMMU-Pro | SciCode | Terminal-Bench 4.0 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 Anthropic | 78 | 90 | 94 | 92 | 88 | 32 | 95 | 88 | 67 | 60 |
| 2 |  GPT-6 Astra OpenAI | 74 | 84 | 98 | 87 | 66 | 32 | 98 | 87 | 56 | 60 |
| 3 | GPT-6.1 Sol OpenAI | 74 | 81 | 98 | 90 | 65 | 32 | 100 | 86 | 56 | 56 |
| 4 | Claude Sonnet 5.5 Anthropic | 74 | 85 | 93 | 89 | 74 | 31 | 80 | 86 | 61 | 64 |
| 5 | Claude Fable 5.1 Anthropic | 74 | 84 | 98 | 90 | 67 | 31 | 88 | 86 | 63 | 55 |
| 6 |  Gemini 4 Argon Google | 70 | 94 | - | 91 | 79 | 27 | 78 | - | 62 | 57 |
| 7 | GPT-6 Sol OpenAI | 70 | 82 | 97 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 8 | Claude Opus 5 Anthropic | 68 | 85 | 81 | 90 | 64 | 29 | 73 | 84 | 56 | 49 |
| 9 |  Muse Wonder Meta | 64 | 86 | - | 92 | 56 | 28 | 71 | - | 60 | 52 |
| 10 | Muse Spark 1.3 Meta | 62 | 77 | 95 | 89 | 49 | 26 | 46 | 82 | 60 | 33 |
Página 1 de 4
Costo$8.00
Latencia3.05s
Contexto1M
TTFT3.05s
AIM-Agentic-RAG
90
AIM-AI-Bias
94
AIM-FinanceReasoning
92
AIM-Text-to-SQL
88
CritPt
32
FrontierMath
95
MMMU-Pro
88
SciCode
67
Terminal-Bench 4.0
60
Costo$20.00
Latencia6.48s
Contexto1M
TTFT6.48s
AIM-Agentic-RAG
84
AIM-AI-Bias
98
AIM-FinanceReasoning
87
AIM-Text-to-SQL
66
CritPt
32
FrontierMath
98
MMMU-Pro
87
SciCode
56
Terminal-Bench 4.0
60
Costo$4.00
Latencia3.15s
Contexto1M
TTFT3.15s
AIM-Agentic-RAG
81
AIM-AI-Bias
98
AIM-FinanceReasoning
90
AIM-Text-to-SQL
65
CritPt
32
FrontierMath
100
MMMU-Pro
86
SciCode
56
Terminal-Bench 4.0
56
Costo$4.00
Latencia1.34s
Contexto1M
TTFT1.34s
AIM-Agentic-RAG
85
AIM-AI-Bias
93
AIM-FinanceReasoning
89
AIM-Text-to-SQL
74
CritPt
31
FrontierMath
80
MMMU-Pro
86
SciCode
61
Terminal-Bench 4.0
64
Costo$20.00
Latencia2.95s
Contexto1M
TTFT2.95s
AIM-Agentic-RAG
84
AIM-AI-Bias
98
AIM-FinanceReasoning
90
AIM-Text-to-SQL
67
CritPt
31
FrontierMath
88
MMMU-Pro
86
SciCode
63
Terminal-Bench 4.0
55
Costo$4.00
Latencia4.70s
Contexto1M
TTFT4.70s
AIM-Agentic-RAG
94
AIM-FinanceReasoning
91
AIM-Text-to-SQL
79
CritPt
27
FrontierMath
78
SciCode
62
Terminal-Bench 4.0
57
Costo$4.00
Latencia2.76s
Contexto1M
TTFT2.76s
AIM-Agentic-RAG
82
AIM-AI-Bias
97
AIM-FinanceReasoning
89
AIM-Text-to-SQL
54
CritPt
31
FrontierMath
90
MMMU-Pro
83
SciCode
58
Terminal-Bench 4.0
44
Costo$10.00
Latencia3.16s
Contexto1M
TTFT3.16s
AIM-Agentic-RAG
85
AIM-AI-Bias
81
AIM-FinanceReasoning
90
AIM-Text-to-SQL
64
CritPt
29
FrontierMath
73
MMMU-Pro
84
SciCode
56
Terminal-Bench 4.0
49
Costo$8.00
Latencia51.49s
Contexto1M
TTFT51.49s
AIM-Agentic-RAG
86
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
SciCode
60
Terminal-Bench 4.0
52
Costo$2.00
Latencia70.63s
Contexto1M
TTFT70.63s
AIM-Agentic-RAG
77
AIM-AI-Bias
95
AIM-FinanceReasoning
89
AIM-Text-to-SQL
49
CritPt
26
FrontierMath
46
MMMU-Pro
82
SciCode
60
Terminal-Bench 4.0
33
Página 1 de 4
Evolución en el tiempo
Índice LLM por fecha de lanzamiento del modelo
Coste frente a rendimiento
Coste combinado frente al Índice LLM
Modelo × Benchmark
Mejores modelos en los benchmarks seleccionados
Cómo se construye el índice
La puntuación de un modelo en el índice es la media de sus resultados en los benchmarks de abajo. Las puntuaciones que ya están en una escala de 0-100 se usan tal cual; las demás se reescalan a 0-100. Si a un modelo le falta un benchmark, este se excluye en lugar de puntuarse como cero, y todos los benchmarks tienen el mismo peso. Un modelo necesita estar puntuado en al menos 2 benchmarks de AIMultiple para entrar en la clasificación.
Benchmarks que usamos
AIMultiple
AIM-Agentic-RAGEnrutamiento multibase de datos y generación de consultas SQL en 5 bases de datos (BIRD-SQL, 500 preguntas).AIMultiple
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 conditionAIMultiple
AIM-FinanceReasoningRazonamiento financiero complejo de varios pasos en 238 preguntas difíciles de FinanceReasoning.AIMultiple
AIM-Text-to-SQLPrecisión en la generación de consultas SQL a partir de lenguaje natural en más de 35 LLM.Público
CritPtProblemas de fisica de nivel de investigacion que requieren derivaciones de varios pasos.Público
FrontierMathProblemas matemáticos de investigación inéditos, redactados por expertos (niveles 1–4).Público
MMMU-ProComprension multimodal de nivel universitario entre disciplinas, reforzada contra atajos de solo texto.Público
SciCodeProgramación científica de nivel de investigación en física, matemáticas, biología y química (338 subproblemas)Público
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.
Google
Gemini 4 Argon
Nuevo modelo añadido al AIM LLM Index.
Meta
Muse Wonder
Nuevo modelo añadido al AIM LLM Index.
Anthropic
Claude Haiku 5.5
Nuevo modelo añadido al AIM LLM Index.
OpenAI
GPT-6.1 Sol
Nuevo modelo añadido al AIM LLM Index.
Cronología de lanzamientos de LLMEl ritmo de la innovación en IA
Laboratorios de IA
DeepSeek V4 Flash Vision Exp
21 agoDeepSeek V4.1 Flash
10 sepDeepSeek V4.1 Flash 1017
17 octMuse Spark 1.2 Contributor
21 agoMuse Spark 1.3 +1 másMuse Spark 1.3Muse Spark 1.3 Contributor
02 sepMuse Wonder
12 octMuse Spark Open
15 octGemini 3.8 Flash
02 sepNano Banana 2.1
06 octGemini 4 Argon
13 octClaude Fable 5.1
01 sepClaude Opus 5.5
22 sepClaude Sonnet 5.5
28 sepClaude Haiku 5.5
07 octGPT-6 Astra
04 sepGPT-6 Luna +1 másGPT-6 LunaGPT-6 Sol
22 sepGPT-6.1 Sol
29 sep
Solar Mini 4
23 sepSolar Decide
28 sep
Qwen3.8 Flash
26 agoQwen3.8 Max (0902)
03 sepQwen3.8 Omni Flash
21 sepQwen3.8 Max Prime
23 sep
GLM 5.3 Flash
26 agoGLM 5.3 FlashX
18 sepGLM 5.3 Prime
23 sep
Grok 4.7
21 sep
MiMo-V2.6-Flash +2 másMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 sepExplorar Casos de uso, análisis y comparativas del programa LLM
LLM
Análisis
2 de sepLLM Herramientas de observabilidad: Weights & Biases, Langsmith
Las aplicaciones de LLM han evolucionado de chats de un solo turno a agentes de varios pasos que usan herramientas, consultan bases de datos y se coordinan con otros modelos, lo que hace que su comportamiento sea más difícil de interpretar. La observabilidad de LLM proporciona visibilidad continua de estos flujos de trabajo complejos, ayudando…
LLM
Análisis
1 de sepLLM 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
27 de agoLLM Automatización: Las 7 mejores herramientas y 8 casos de estudio
La automatización con LLM se refiere al cambio hacia herramientas de automatización inteligente que aprovechan los LLM, incluidos los agentes de IA, los LLM con fine-tuning y los modelos de RAG para automatizar y coordinar tareas. Descubra qué es la automatización con LLM, sus principales aplicaciones reales y las herramientas más importantes: Los modelos de…
LLM
Análisis
19 de agoChatGPT para Atención al Cliente: Los 10 Principales Casos de Uso
ChatGPT ha pasado de ser una novedad a ser infraestructura en atención al cliente. Las empresas lo utilizan para reducir los tiempos de respuesta, gestionar el volumen que sus equipos no pueden absorber y reducir el coste de las interacciones rutinarias. Pero los resultados varían enormemente según cómo se implemente. OpenAI lanzó GPT-5.6, un model…
LLM
Benchmark
16 de agoDensidad 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 inference). Para calcular la densidad de inteligencia, ejecutamos los siguientes pasos: Consulte…
LLM
Benchmark
15 de abrLLM Cuantización: BF16 vs FP8 vs INT4
Hemos realizado un benchmark de Qwen3-32B en 4 niveles de precisión (BF16, FP8, GPTQ-Int8, GPTQ-Int4) en una sola NVIDIA H100 80GB GPU. Cada configuración fue evaluada en 2 benchmarks (~12.2K preguntas) que cubren conocimiento y generación de código, además de 2.000+ ejecuciones de inferencia para medir el rendimiento. Int4 es 2.7x más rápido que BF16…