GPT-6.1 Terra añadido
El modelo más reciente del AIM LLM Index es GPT-6.1 Terra.
AIM LLM Index
v1.10Un único índice transparente que combina 5 benchmarks públicos con las 4 evaluaciones agénticas, de RAG y de razonamiento empresarial de AIMultiple. Consulte AIM LLM Index Methodology para más detalles.
MEJOR MODELO
Claude Opus 5.5
Índice 78
MEJOR RELACIÓN CALIDAD-PRECIO
GPT-6.1 Terra
$2.00 / 1M
MODELO MÁS RÁPIDO
Muse Spark Open
0.31s TTFT
Coste por tarea frente a puntuación
Coste medio de una tarea en varios benchmarks frente al Índice LLM
*Coste por tarea de cada modelo, promediado con igual peso sobre 7 benchmarks (todos excepto MMMU-Pro, que cubre muy pocos modelos). Solo se muestran los modelos con coste en todos ellos. ~ indica un promedio que incluye un coste estimado.
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 | 73 | 94 | 98 | 91 | 79 | 27 | 78 | - | 62 | 57 |
| 7 | GPT-6.1 Terra OpenAI | 71 | 84 | 95 | 87 | 57 | 28 | 93 | 85 | 55 | 56 |
| 8 |  Muse Wonder Meta | 70 | 86 | 95 | 92 | 56 | 28 | 71 | 85 | 60 | 52 |
| 9 | GPT-6 Sol OpenAI | 70 | 82 | 96 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 10 |  Kimi K3.1 Pro Moonshot AI | 69 | 85 | 91 | 90 | 52 | 25 | - | 84 | 61 | 67 |
Página 1 de 3
Costo$8.00
Latencia3.15s
Contexto1M
TTFT3.15s
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
Latencia3.90s
Contexto1M
TTFT3.90s
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
Latencia3.50s
Contexto1M
TTFT3.50s
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
Latencia1.27s
Contexto1M
TTFT1.27s
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
Latencia3.33s
Contexto1M
TTFT3.33s
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
Latencia4.98s
Contexto1M
TTFT4.98s
AIM-Agentic-RAG
94
AIM-AI-Bias
98
AIM-FinanceReasoning
91
AIM-Text-to-SQL
79
CritPt
27
FrontierMath
78
SciCode
62
Terminal-Bench 4.0
57
Costo$2.00
Latencia2.02s
Contexto1M
TTFT2.02s
AIM-Agentic-RAG
84
AIM-AI-Bias
95
AIM-FinanceReasoning
87
AIM-Text-to-SQL
57
CritPt
28
FrontierMath
93
MMMU-Pro
85
SciCode
55
Terminal-Bench 4.0
56
Costo$8.00
Latencia35.22s
Contexto1M
TTFT35.22s
AIM-Agentic-RAG
86
AIM-AI-Bias
95
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
MMMU-Pro
85
SciCode
60
Terminal-Bench 4.0
52
Costo$4.00
Latencia2.46s
Contexto1M
TTFT2.46s
AIM-Agentic-RAG
82
AIM-AI-Bias
96
AIM-FinanceReasoning
89
AIM-Text-to-SQL
54
CritPt
31
FrontierMath
90
MMMU-Pro
83
SciCode
58
Terminal-Bench 4.0
44
Costo$4.00
Latencia49.60s
Contexto1M
TTFT49.60s
AIM-Agentic-RAG
85
AIM-AI-Bias
91
AIM-FinanceReasoning
90
AIM-Text-to-SQL
52
CritPt
25
MMMU-Pro
84
SciCode
61
Terminal-Bench 4.0
67
Página 1 de 3
Evolución en el tiempo
Índice LLM por fecha de lanzamiento del modelo
Modelo × Benchmark
Mejores modelos en los benchmarks seleccionados
Coste frente a rendimiento
Coste combinado frente al Índice LLM
AIM LLM Index Methodology
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. Los resultados de MMMU-Pro proceden de 2 fuentes distintas.
Benchmarks que usamos
AIMultiple
AIM-Agentic-RAGEnrutamiento multibase de datos y generación de consultas SQL en 11 bases de datos (BIRD-SQL, 759 preguntas).AIMultiple
AIM-AI-BiasEvaluación de sesgos de opción múltiple: 64 preguntas en 12 categorías de sesgo, cada una formulada 5 veces en dos ejecuciones (v1 y v2), en 109 modelos. La puntuación es la proporción de respuestas que eligen la opción sin sesgo, promediada entre las dos ejecuciones.AIMultiple
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.Descargar todos los datos
Resultados sin procesar de 73.9 mil puntos de datos de los benchmarks de AIMultiple en los que se basa este índice. Descárguelos como un archivo ZIP que contiene 4 archivos CSV y un README.
Última actualización: 30 de octubre de 2026
Descargar¿Quieres los datos granulares que hay detrás? Únete a Premium
Registro de cambios
62 actualizaciones- v1.10
2 modelos entraron en el AIM LLM Index: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
Se añadieron 113 modelos al conjunto de datos: Claude 3 Haiku, Claude Opus 4.7 (max), Command A, DeepSeek R1 (Jan), DeepSeek R1 0528 Qwen3 8B y 108 más.
- v1.10
Se añadió Qwen3.6 35B A3B al conjunto de datos.
- v1.10
3 modelos entraron en el AIM LLM Index: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
Se añadieron 3 modelos al conjunto de datos: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
Se añadieron 2 modelos al conjunto de datos: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
Muse Wonder entró en el AIM LLM Index.
- v1.10
Se añadió Muse Wonder al conjunto de datos.
- v1.10
Gemini 4 Argon entró en el AIM LLM Index.
- v1.10
Se añadió Gemini 4 Argon al conjunto de datos.
Cronología de lanzamientos de LLMEl ritmo de la innovación en IA
Laboratorios de IA
Gemini 3.8 Flash Lite TTS +1 másGemini 3.8 Flash Lite TTSGemini 3.8 Flash TTS
23 sepGemini 3.5 Transcribe
25 sepNano Banana 2.1
06 octGemini 4 Argon
13 octGemini Omni 1.1 Flash
04 novGemini Omni 1.2 Flash
05 novGPT Image 2.5 Flare +1 másGPT Image 2.5 FlareGPT Image 2.5 Sunburst
09 sepGPT-6 Luna +1 másGPT-6 LunaGPT-6 Sol
22 sepGPT-6.1 Sol
29 sepGPT-6 Luna Decisions
06 octGPT-6.1 Terra
26 octGPT Image 2.6 Flare +1 másGPT Image 2.6 FlareGPT Image 2.6 Sunburst
04 nov
GLM 5.3 FlashX
18 sepGLM 5.3 Prime
23 sepGLM 5.3 FlashX Legal
02 novKimi K3.1 Pro
23 oct
MiniMax M3.1 Flash
19 oct
DeepSeek V4.1 Flash
10 sepDeepSeek V4.1 Flash 1017
17 oct
Qwen3.8 Omni Flash
21 sepQwen3.8 Max Prime
23 sepQwen Image 2.1 Pro +1 másQwen Image 2.1 ProQwen Image 2.1 Turbo
16 octMuse Voice Transcribe 1.0
11 sepMuse Wonder
12 octMuse Spark Open
15 oct
Solar Mini 4
23 sepSolar Decide
28 sepSolar Decide Flash
08 octClaude Opus 5.5
22 sepClaude Sonnet 5.5
28 sepClaude Haiku 5.5
07 oct
Grok 4.7
21 sepGrok Imagine Video 1.5 Lite
06 oct
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
- LLMBenchmark6 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…
- LLMAnálisis21 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…
- LLMBenchmark18 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…
- LLMBenchmark17 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,…
- LLMAnálisis15 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…
- LLMBenchmark15 de sep
Simulación 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…
- LLMAnálisis2 de sep
LLM 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…
- LLMAnálisis1 de sep
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,…
Filtros