Gemini 4 Argon añadido
El modelo más reciente del AIM LLM Index es Gemini 4 Argon.
AIM LLM Index
v1.10Un 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
Modelo más rápido
DeepSeek V4 Flash 0731
0.34s TTFT
Coste frente a rendimiento
Coste combinado frente al Índice LLM
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 Sol OpenAI | 70 | 82 | 96 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 8 | Claude Opus 5 Anthropic | 68 | 85 | 82 | 90 | 64 | 29 | 73 | 84 | 56 | 49 |
| 9 |  Muse Wonder Meta | 68 | 86 | 95 | 92 | 56 | 28 | 71 | - | 60 | 52 |
| 10 | Muse Spark 1.3 Meta | 62 | 77 | 96 | 89 | 49 | 26 | 46 | 82 | 60 | 33 |
Página 1 de 3
Costo$8.00
Latencia1.84s
Contexto1M
TTFT1.84s
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
Latencia6.73s
Contexto524k
TTFT6.73s
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
Latencia3.29s
Contexto1M
TTFT3.29s
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
Latencia1.25s
Contexto1M
TTFT1.25s
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
Latencia2.12s
Contexto1M
TTFT2.12s
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
Latencia4.28s
Contexto1M
TTFT4.28s
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$4.00
Latencia3.30s
Contexto1M
TTFT3.30s
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$10.00
Latencia1.93s
Contexto1M
TTFT1.93s
AIM-Agentic-RAG
85
AIM-AI-Bias
82
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
Latencia50.93s
Contexto1M
TTFT50.93s
AIM-Agentic-RAG
86
AIM-AI-Bias
95
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
SciCode
60
Terminal-Bench 4.0
52
Costo$2.00
Latencia68.37s
Contexto1M
TTFT68.37s
AIM-Agentic-RAG
77
AIM-AI-Bias
96
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 3
Evolución en el tiempo
Índice LLM por fecha de lanzamiento del modelo
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. 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 5 bases de datos (BIRD-SQL, 500 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.Registro de cambios
57 actualizaciones- v1.10
Se añadieron 125 modelos al conjunto de datos: Claude 3 Haiku, Claude Opus 4.7 (max), Command A, DeepSeek R1 (Jan), DeepSeek R1 0528 Qwen3 8B y 120 más.
- 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.
- v1.10
MMMU-Pro se añadió al cálculo del índice. Versión actualizada a v1.10.
- v1.9
Claude Haiku 5.5 entró en el AIM LLM Index.
- v1.9
Se añadió Claude Haiku 5.5 al conjunto de datos.
- v1.9
AIM LLM Index: Para clasificarse, un modelo ahora también necesita un número de resultados externos cercano a la media. Versión actualizada a v1.9.
- v1.8
Se añadieron 14 modelos al conjunto de datos: Claude Sonnet 4.6 (max), DeepSeek V4 Flash (Max), DeepSeek V4 Pro (Max), Gemma 4 31B, GPT-5.4 mini (xhigh) y 9 más.
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
- 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,…
- LLMAnálisis27 de ago
LLM 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…
- LLMAnálisis19 de ago
ChatGPT 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…
- LLMBenchmark16 de ago
Densidad 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…
- LLMBenchmark15 de abr
LLM 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…
Filtros