GPT-6 Astra añadido
El modelo más reciente del benchmark AIM-Visual-Reasoning es GPT-6 Astra.
AIM LMM Index
v1.0Los grandes modelos multimodales (LMM) responden preguntas sobre imágenes, gráficos y vídeos. El AIM LMM Index combina el benchmark de razonamiento visual de AIMultiple con cuatro clasificaciones públicas. Cómo funciona el índice
MEJOR MODELO
GPT-6 Astra
Índice 82 · OpenAI
MEJOR MODELO DE CÓDIGO ABIERTO
Qwen3.8 27B
Índice 71 · Alibaba Cloud
MEJOR EN AIM-VISUAL-REASONING
Gemini 4 Argon
74,5 % de aciertos · Google
AIM LMM Index frente a coste
Más arriba es más preciso; más a la izquierda, más barato. El coste es lo que costó la ejecución de 200 preguntas de AIM-Visual-Reasoning a través de la API de cada proveedor.
Clasificación
Modelos con puntuación en al menos 3 de los cinco benchmarks, ordenados por el AIM LMM Index.
Filter & Sort
# | Modelo | AIM LMM Index | AIM-Visual-Reasoning | MMMU-Pro | Roboflow Vision | MedXpertQA MM | CAIS Vision | Coste de la ejecución (USD) | Segundos por pregunta |
|---|---|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astra OpenAI | 82 | 71.5 | 87.5 | 83.4 | 86.8 | 83.0 | 7.30 | 17.9 |
| 1 |  Gemini 4 Argon Google | 82 | 74.5 | - | 87.5 | - | 83.3 | 2.92 | 16.7 |
| 3 |  Claude Opus 5.5 Anthropic | 81 | 73.5 | 87.4 | 82.0 | 85.7 | 76.8 | 18.51 | 43.2 |
| 3 | GPT-6.1 Sol OpenAI | 81 | 72.5 | 85.8 | 81.7 | 85.7 | 77.9 | 1.46 | 15.1 |
| 5 | Gemini 3.8 Flash Google | 79 | 73.0 | 85.3 | 79.8 | 84.7 | 69.9 | 1.34 | 13.6 |
| 5 | Claude Sonnet 5.5 Anthropic | 79 | 70.0 | 85.8 | 77.6 | 80.7 | - | 17.14 | 61.3 |
| 5 | Gemini 3.6 Flash Google | 79 | 70.5 | 83.7 | 77.1 | 82.8 | - | 1.37 | 8.8 |
| 8 | GPT-6 Sol OpenAI | 78 | 72.0 | 83.0 | 76.9 | 81.3 | - | 2.38 | 14.5 |
| 8 | Gemini 3.7 Flash Google | 78 | 73.5 | 85.2 | 80.1 | 83.5 | 68.7 | 0.86 | 8.5 |
| 8 |  Qwen3.8 Max Alibaba Cloud | 78 | 72.0 | 82.8 | 79.3 | 78.3 | - | 4.11 | 73.7 |
Página 1 de 4
Posición#1
AIM-Visual-Reasoning71.5
MMMU-Pro87.5
AIM-Visual-Reasoning
71.5
MMMU-Pro
87.5
Roboflow Vision
83.4
MedXpertQA MM
86.8
CAIS Vision
83
Posición#1
AIM-Visual-Reasoning74.5
AIM-Visual-Reasoning
74.5
Roboflow Vision
87.5
CAIS Vision
83.3
Posición#3
AIM-Visual-Reasoning73.5
MMMU-Pro87.4
AIM-Visual-Reasoning
73.5
MMMU-Pro
87.4
Roboflow Vision
82
MedXpertQA MM
85.7
CAIS Vision
76.8
Posición#3
AIM-Visual-Reasoning72.5
MMMU-Pro85.8
AIM-Visual-Reasoning
72.5
MMMU-Pro
85.8
Roboflow Vision
81.7
MedXpertQA MM
85.7
CAIS Vision
77.9
Posición#5
AIM-Visual-Reasoning73
MMMU-Pro85.3
AIM-Visual-Reasoning
73
MMMU-Pro
85.3
Roboflow Vision
79.8
MedXpertQA MM
84.7
CAIS Vision
69.9
Posición#5
AIM-Visual-Reasoning70
MMMU-Pro85.8
AIM-Visual-Reasoning
70
MMMU-Pro
85.8
Roboflow Vision
77.6
MedXpertQA MM
80.7
Posición#5
AIM-Visual-Reasoning70.5
MMMU-Pro83.7
AIM-Visual-Reasoning
70.5
MMMU-Pro
83.7
Roboflow Vision
77.1
MedXpertQA MM
82.8
Posición#8
AIM-Visual-Reasoning72
MMMU-Pro83
AIM-Visual-Reasoning
72
MMMU-Pro
83
Roboflow Vision
76.9
MedXpertQA MM
81.3
Posición#8
AIM-Visual-Reasoning73.5
MMMU-Pro85.2
AIM-Visual-Reasoning
73.5
MMMU-Pro
85.2
Roboflow Vision
80.1
MedXpertQA MM
83.5
CAIS Vision
68.7
Posición#8
AIM-Visual-Reasoning72
MMMU-Pro82.8
AIM-Visual-Reasoning
72
MMMU-Pro
82.8
Roboflow Vision
79.3
MedXpertQA MM
78.3
Página 1 de 4
Puntuación en cada benchmark
Cada fila muestra el índice de un modelo y su puntuación publicada en cada benchmark. Pase el cursor sobre un punto para ver todas las puntuaciones del modelo.
Puntuación publicada (0-100)
Cómo funciona el índice
El AIM LMM Index combina el benchmark de razonamiento visual de AIMultiple con cuatro clasificaciones públicas que evalúan modelos con imágenes, gráficos e imágenes médicas.
Puntuación
El índice es el promedio simple de las puntuaciones publicadas de un modelo, tal como las informa cada clasificación, sin reescalar. El promedio incluye solo los benchmarks en los que el modelo tiene puntuación. Los benchmarks tienen dificultades distintas: la mayoría de las puntuaciones de CAIS Vision quedan por debajo de 70 y la mayoría de las de MMMU-Pro superan 70, así que la comparación más directa es entre modelos con los mismos benchmarks.
Qué modelos se clasifican
Un modelo se clasifica cuando tiene puntuación en al menos 3 de los cinco benchmarks. Solo se listan los modelos del benchmark de razonamiento visual de AIMultiple.
Puntuaciones públicas
Cuando una clasificación lista un modelo con varios niveles de razonamiento, usamos el más alto (max, luego xhigh, luego high). Las ejecuciones que usan herramientas, como Python, se descartan. CAIS aporta la media de su Vision Capabilities Index.
Benchmarks utilizados
AIMultiple
AIM-Visual-Reasoning40 modelos en 200 preguntas sobre gráficos e imágenes, puntuados por precisión global.Público
MMMU-ProPreguntas de nivel universitario de varias disciplinas que requieren la imagen y el texto a la vez. Clasificación Mercor APEX, pass@1; Artificial Analysis para los modelos que Mercor no ha evaluado.Público
Roboflow Vision EvalsImágenes reales en cinco tareas: detección de objetos, conteo, identificación, OCR y razonamiento visual. Puntuación global de Roboflow Playground, el promedio de las cinco tareas.Público
MedXpertQA MMPreguntas médicas de nivel experto que combinan texto clínico con imágenes. Clasificación Mercor APEX, pass@1.Público
CAIS Vision IndexMedia del Center for AI Safety sobre cinco pruebas de visión: razonamiento corporeizado, navegación espacial, visualización mental, física intuitiva y acertijos.Registro de cambios
4 actualizaciones- v1.0
33 modelos entraron en el índice: Claude Fable 5, Claude Fable 5.1, Claude Haiku 4.5, Claude Haiku 5.5, Claude Opus 5 y 28 más.
- v1.0
Se añadieron 7 modelos al benchmark, aún sin clasificar en el índice: Claude Opus 4.6, Claude Sonnet 4.5, GPT-5.1-Codex, GPT-5.2 Pro, Kimi K2.5 y 2 más.
- v1.0
AIM-Visual-Reasoning: Se reemplazó la configuración del parámetro de tokens máximos en la metodología de Benchmark.
Explorar Grandes modelos multimodales
Grandes models multimodales (LMMs) vs LLMs
LMMAnálisis20 de octEvalúa LLMs y LMMs comparando sus puntuaciones de benchmark y la latencia en el mundo real haciendo clic en el nombre del model en la tabla siguiente. También puedes sopesar sus precios de entrada y salida para juzgar la eficiencia y el valor generales. *Audio es nativo solo en los models E2B, E4B y 12B.…
- LMMBenchmark20 de oct
Comparativa de modelos de IA multimodal en razonamiento visual
Evaluamos 40 modelos de IA multimodal líderes en razonamiento visual usando 200 preguntas visuales. La evaluación constó de dos bloques: 100 preguntas de comprensión de gráficos que ponen a prueba la interpretación de visualizaciones de datos, y 100 preguntas de lógica visual que evalúan el reconocimiento de patrones y el razonamiento espacial. Consulte nuestra metodología…
Filtros