Las mejores IA para matemáticas

Aquí no se han medido todos los modelos. De los diez primeros de la pestaña «Por votos humanos», esta tabla no incluye 2 — Gemini 3.6 Flash, ERNIE 5.1. No tienen ninguna puntuación en los conjuntos de tareas de esta pestaña: un hueco significa «no medido», no «rindió mal». El modelo más nuevo al que llegó este conjunto se lanzó el 27 julio 2026.

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.

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.

La tabla se desplaza en horizontal: no caben todas las columnas.

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.

El signo ≈ marca los modelos cuyo intervalo de confianza se solapa con el de la fila de arriba. Aquí hay 99 modelos — su orden entre sí no está determinado por los datos disponibles.

El intervalo de confianza de la mitad de los modelos supera 28,2 puntos — es decir, unas 18 filas adyacentes de la tabla. Dentro de ese grupo el orden no lo marcan los datos, sino quién votó esta vez; los datos sostienen la diferencia entre el principio y el final de la lista, pero no la vecindad de los puestos. Votos por modelo aquí — mediana 1.661: cuantos menos hay, más ancho es el intervalo.