Aquí el modelo no contesta una pregunta, hace el trabajo: edita archivos en un sistema operativo, busca, completa tareas en un entorno de trabajo. Por eso los porcentajes son bajos incluso en los modelos fuertes, y no se pueden comparar con las puntuaciones de la selección de conocimientos: es un trabajo distinto, no una fuerza distinta.
| # | Modelo | Desarrollador | Puntuación por tareas 0–100, ajustado por cobertura | Acceso$ / 1M | Salida$ / 1M | Contextotokens | APEX-Agents | DeepResearch Bench | BALROG | Cybench | The Agent Company | Conjuntosmedido |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.6 | Anthropic | 40,67 46,22 | $5 | $25 | 1.000K | 32,4 | 55,3 | — | 93 | — | 4 |
| 2 | Claude 4.5 Opus | Anthropic | 40,11 43,63 | $5 | $25 | 200K | 20,7 | — | 43,5 | 82 | — | 6 |
| 3 | Claude Sonnet 4.5 | Anthropic | 39,89 44,02 | $3 | $15 | 1.000K | — | 52,6 | — | 60 | — | 5 |
| 4 | Claude 4.1 Opus | Anthropic | 38,89 45,1 | $15 | $75 | 200K | — | 49,7 | — | 42 | — | 3 |
| 5 | Gemini 3.1 Pro Preview | Google DeepMind | 37,42 45,25 | $2 | $12 | 1.049K | 33,5 | — | 57 | — | — | 2 |
| 6 | Claude 4 Opus | Anthropic | 36,54 43,5 | $15 | $75 | 200K | — | 49 | — | 38 | — | 2 |
| 7 | Claude Sonnet 4.6 | Anthropic | 36,52 39,99 | $3 | $15 | 1.000K | 23,7 | 54,9 | — | — | — | 4 |
| 8 | Kimi K2.5 | Moonshot AI (Kimi) | 34,22 38,85 | $0,35 | $1,7 | 262K | 14,4 | — | — | — | — | 2 |
| 9 | Grok 4 | xAI | 32,85 34,16 | $3 | $15 | 256K | 15,2 | 47,9 | 43,6 | 43 | — | 5 |
| 10 | Gemini 3 Flash Preview | Google DeepMind | 32,82 36,05 | $0,5 | $3 | 1.049K | 24 | — | 48,1 | — | — | 2 |
| 11 | Claude 4 Sonnet | Anthropic | 32,61 33,82 | $3 | $15 | 1.000K | 9,3 | 47,8 | — | 35 | 33,1 | 5 |
| 12 | GPT 5.4 2026-03-05 | OpenAI | 32,56 35,55 | $2,5 | $15 | 1.050K | 36 | 35,1 | — | — | — | 2 |
| 13 | Gemini 3 Pro Preview | Google DeepMind | 31,72 32,79 | $2 | $12 | 1.049K | 31,5 | — | 58,1 | — | — | 4 |
| 14 | Claude Sonnet 3.7 | Anthropic | 31,58 32,58 | $3 | $15 | 200K | — | 43,6 | — | 20 | 30,9 | 4 |
| 15 | Gemini 2.5 Pro Preview 0506 | Google DeepMind | 30,34 31,1 | $1,25 | $10 | 1.049K | — | 31,9 | — | — | 30,3 | 2 |
| 16 | Claude Opus 4.8 | Anthropic | 30,14 30,42 | $5 | $25 | 1.000K | 42,5 | 50,2 | — | — | — | 4 |
| 17 | Claude Fable 5 | Anthropic | 30,07 30,55 | $10 | $50 | 1.000K | 45 | — | — | — | — | 2 |
| 18 | GPT 5.4 Mini 2026-03-17 | OpenAI | 30,01 30,43 | $0,75 | $4,5 | 272K | 24,6 | 36,3 | — | — | — | 2 |
| 19 | o3 2025-04-16 | OpenAI | 29,46 29,4 | $2 | $8 | 200K | 17,2 | 46,6 | — | — | — | 4 |
| 20 | Claude 3.5 Sonnet 2024-10-22 | Anthropic | 28,94 28,3 | $3 | $15 | 200K | — | — | 32,6 | — | 24 | 2 |
| 21 | GPT 5 2025-08-07 | OpenAI | 28,84 28,54 | $1,25 | $10 | 272K | 18,3 | 55,1 | 32,8 | — | — | 5 |
| 22 | Claude Opus 4.7 | Anthropic | 27,82 26,05 | $5 | $25 | 1.000K | 33,9 | — | — | — | — | 2 |
| 23 | Gemini 2.5 Pro | Google DeepMind | 27,75 26,54 | $1,25 | $10 | 1.049K | 6,6 | 49,7 | — | — | — | 3 |
| 24 | Gemini 3.1 Flash Lite | Google DeepMind | 27,14 24,7 | $0,25 | $1,5 | 1.049K | 13 | 36,4 | — | — | — | 2 |
| 25 | Claude Haiku 4.5 | Anthropic | 24,82 20,05 | $1 | $5 | 200K | 8,9 | — | 31,2 | — | — | 2 |
| 26 | Gemini 2.5 Flash | Google DeepMind | 23,62 17,65 | $0,3 | $2,5 | 1.049K | 1,8 | — | 33,5 | — | — | 2 |
| 27 | Llama 3.1 70B | Meta AI | 23,49 17,4 | $0,12 | $0,3 | 131K | — | — | 27,9 | — | 6,9 | 2 |
| 28 | Grok 3 | xAI | 22,69 15,8 | $3 | $15 | 131K | 2,1 | — | 29,5 | — | — | 2 |
| 29 | Kimi K2.6 | Moonshot AI (Kimi) | 20,67 11,75 | $0,22 | $1,14 | 262K | 18,9 | — | — | — | — | 2 |
| 30 | Qwen2.5 72B Instruct | Alibaba (Qwen) | 20,27 10,95 | $1,4 | $5,6 | 131K | — | — | 16,2 | — | 5,7 | 2 |
| 31 | Llama 3.1 405B Instruct | Meta AI | 18,52 7,45 | $0,12 | $0,3 | 128K | — | — | — | 7,5 | 7,4 | 2 |
| 32 | GPT-4o (2024-11-20) | OpenAI | 15,21 8,03 | $2,5 | $10 | 128K | 1,1 | — | — | 12,5 | 8,6 | 4 |
La tabla se desplaza en horizontal: no caben todas las columnas.
Las columnas de la derecha son los sumandos de la puntuación, llevados a una escala común de 0 a 100 según la dispersión real entre los modelos medidos. Sumados con los pesos indicados, dan la cifra de la columna principal: en ellos se ve en qué exactamente un modelo superó a otro. Un guion significa «no medido», no cero. Se muestran los cinco conjuntos de tareas más completos de 9; el resto está en la ficha del modelo.
La columna «conjuntos» indica sobre cuántos conjuntos de tareas se ha calculado la puntuación de este modelo. Cuantos más haya, más fiable es la cifra: una puntuación sobre dos conjuntos está más dispersa que sobre seis, y el ajuste por cobertura tiene en cuenta justamente eso.
El precio es el más bajo entre los proveedores del modelo, tarifa base, sin tarifas por lotes ni reducidas. La entrada y la salida se muestran por separado a propósito: en la mayoría de los modelos la salida cuesta varias veces más que la entrada, y la factura final depende de qué predomine en la tarea.
Epoch AI
— licencia CC-BY · fuente original
По данным Epoch AI