Comparación de modelos de IA / La mesa de decisiones
Elige una tarea. Inspeccione la evidencia. Compara las compensaciones.
Una lista corta de modelos prácticos comienza con el trabajo que necesita realizarse.
01 / Empezar con la tarea
Medias más altas observadas en seis tablas de referencia de Epoch AI. Estos son resultados originales, no pruebas de Rubrex ni ganadores universales. Los entornos de cobertura y evaluación varían.
Reimplementar programas completos a partir de su comportamiento y documentación.
Ejecución iniciada: .
Utiliza un gran presupuesto de agente: hasta siete días y 10 mil millones de tokens por intento. Esta no es una prueba rápida de asistente de codificación.
Condiciones de fuente y prueba ↗Responda preguntas difíciles de opción múltiple sobre biología, química y física.
Ejecución iniciada: .
Mide un conjunto de preguntas específico. No establece la capacidad de investigación científica ni la precisión de sus documentos.
Condiciones de fuente y prueba ↗Resuelva problemas matemáticos escritos por expertos con acceso a Python.
Ejecución iniciada: .
Estos son resultados de v2 con acceso a herramientas. No los combine con el conjunto de preguntas original ni con los resultados sin herramientas.
Condiciones de fuente y prueba ↗Responda preguntas breves sobre hechos, calificadas utilizando la medida de proporción correcta de Epoch AI.
Ejecución iniciada: .
Epoch fomenta una mejor suposición en esta configuración. Esto no es ni una tasa de alucinaciones ni una prueba de abstención útil o RAG de documentos privados.
Condiciones de fuente y prueba ↗Sigue el progreso en el entorno del juego Earthborne Rangers.
Ejecución iniciada: .
El desempeño del agente de juego es una señal limitada. No mide directamente la finalización del flujo de trabajo empresarial ni la autorización de herramientas.
Condiciones de fuente y prueba ↗Resolver problemas de software bajo la configuración de evaluación de Epoch AI.
Ejecución iniciada: .
Esta fuente tiene una cobertura limitada de modelos recientes. Los andamios, presupuestos y subconjuntos de evaluación de agentes pueden diferir de otras tablas de clasificación de SWE-bench.
Condiciones de fuente y prueba ↗En esta instantánea, Claude Opus 5.5 (máx.) tiene la media más alta observada en MirrorCode; GPT-6 Astra (máx.) lidera las carreras GPQA Diamond incluidas. Utilice los resultados de tareas específicas a continuación para seleccionar candidatos y luego pruébelos con sus propios ejemplos con un presupuesto fijo.
02 / Explora la evidencia
Reimplementar programas completos a partir de su comportamiento y documentación. Utiliza un gran presupuesto de agente: hasta siete días y 10 mil millones de tokens por intento. Esta no es una prueba rápida de asistente de codificación.
Leer la metodología original ↗Mostrando 9 de 9 Ejecuciones de evaluación coincidentes. Ordenados por puntuación media, el más alto primero. ± es un error estándar en puntos porcentuales, cuando se proporcione.
Desplaza la tabla horizontalmente en pantallas más pequeñas.
| Modelo y ambientación | Puntuación media | Error estándar | Ejecución iniciada |
|---|---|---|---|
| Claude Opus 5.5 (máx.)Antrópico | 77.4% | ± 8.3 puntos porcentuales | 22 sept 2026 |
| Claude Fable 5.1 (alto)Antrópico | 73.3% | ± 9,2 págs. | 10 sept 2026 |
| Claude Fábula 5 (alta)Antrópico | 63.9% | ± 10,4 págs. | 10 ago 2026 |
| GPT-6 Astra (alto)OpenAI | 46.7% | ± 11.9 puntos porcentuales | 30 ago 2026 |
| Claude Opus 4.7 (alto)Antrópico | 31.1% | ± 9,0 págs. | 12 ago 2026 |
| GPT-5.6 Sol (alto)OpenAI | 20.0% | ± 9,2 págs. | 10 ago 2026 |
| GPT-5.4 (alto)OpenAI | 15.6% | ± 7,7 págs. | 10 ago 2026 |
| GPT-5.5 (alto)OpenAI | 10.0% | ± 6,0 págs. | 10 ago 2026 |
| Vista previa de Géminis 3.1 ProGoogle DeepMind | 8.9% | ± 4,6 págs. | 10 ago 2026 |
03 / Crea tu preselección
Compare las familias modelo utilizando su puntuación media observada más alta en cada prueba. La configuración exacta aparece debajo de cada resultado. Esta visión no iguala el esfuerzo de razonamiento ni los presupuestos de cálculo.
Se desconoce una puntuación faltante, no cero. Las medias más altas pueden tener incertidumbres superpuestas. Estos resultados son una señal de lista corta, no una prueba de superioridad en su carga de trabajo.
04 / Hacer explícito el presupuesto
Una muestra fechada del catálogo público de OpenRouter. Los precios son USD por millón de tokens en el nivel base listado. El ejemplo utiliza 10 000 tokens de entrada y 2000 tokens de salida facturados en total para una solicitud.
Desplaza la tabla horizontalmente en pantallas más pequeñas.
| Modelo | Entrada / 1M | Salida / 1M | Solicitud de ejemplo |
|---|---|---|---|
| OpenAI: GPT-6 Luna ↗Se aplican niveles de precios de contexto más alto | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗Se aplican niveles de precios de contexto más alto | $0.1 | $0.5 | $0.0020 |
| Z.ai: GLM 5.3 Flash ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek: Flash DeepSeek V4.1 ↗Se aplican niveles de precios de contexto más alto | $0.15 | $0.6 | $0.0027 |
| Z.ai: GLM 5.3 ↗ | $0.079 | $4.8 | $0.0104 |
| Mistral: Mistral Large 4 ↗ | $0.68 | $2.09 | $0.0110 |
| Google: Géminis 3.8 Flash ↗ | $0.75 | $3.75 | $0.0150 |
| StepFun: Step 5 Preview ↗ | $1 | $2.7 | $0.0154 |
| Meta: Muse Spark 1.3 ↗ | $1.25 | $4.25 | $0.0210 |
| Disparo lunarAI: Kimi K3 ↗ | $0.73 | $10 | $0.0273 |
| Qwen: Qwen3.8 Máx. (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗Se aplican niveles de precios de contexto más alto | $2 | $6 | $0.0320 |
| OpenAI: GPT-6 Sol ↗Se aplican niveles de precios de contexto más alto | $2 | $10 | $0.0400 |
| Antrópico: Claude Soneto 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗Se aplican niveles de precios de contexto más alto | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗Se aplican niveles de precios de contexto más alto | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google: Vista previa de Géminis 3.1 Pro ↗Se aplican niveles de precios de contexto más alto | $2 | $12 | $0.0440 |
| Antrópico: Claude Opus 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI: GPT-6 Astra ↗Se aplican niveles de precios de contexto más alto | $10 | $50 | $0.2000 |
| Antrópico: Claude Fable 5.1 ↗ | $10 | $50 | $0.2000 |
Esta es una estimación simbólica, no el costo por tarea exitosa. Los tokens de razonamiento adicionales, los reintentos, las herramientas, la búsqueda, los medios, las diferencias de enrutamiento/proveedor y los niveles de contexto superior pueden cambiar la factura. Se excluyen los descuentos por caché y por lotes. Verifique la lista de modelos vinculada antes de comprar.
05 / Evidencias que puedes rastrear
222 Las familias de modelos aparecen en estas seis tablas. Importamos las puntuaciones medias internas de Epoch AI, conservamos la configuración exacta y mostramos los errores estándar proporcionados. Convertimos fracciones a porcentajes y ordenamos los resultados. No promediamos puntos de referencia no relacionados en una nueva calificación.
Datos y atribución de IA de época ↗Fuentes recuperadas 12 oct 2026. Esta es una instantánea guardada, no una transmisión en vivo. La fecha de ejecución en cada fila puede ser anterior a la fecha de descarga. Los nuevos modelos entran en diferentes pruebas en diferentes momentos; un resultado faltante no significa un desempeño deficiente.
Descargar la exportación de origen actual ↗El esfuerzo de razonamiento, las herramientas, los andamios y los presupuestos informáticos afectan los resultados. Una pequeña brecha en la puntuación media no es una prueba de significación estadística. Antes de cambiar de modelo, evalúe el éxito de la tarea, la latencia de cola, la gravedad de las fallas y el costo total en sus propias condiciones operativas.
Lea la guía de migración de modelos →Estas tablas de referencia no miden la velocidad de la API ni las preferencias del usuario. El análisis artificial proporciona comparaciones de rendimiento; Arena proporciona comparaciones basadas en preferencias. Sus pruebas responden preguntas diferentes, por lo que sus números no se combinan en esta tabla.
Explora la velocidad en Análisis Artificial ↗Datos de referencia: IA de época, capacidades y evaluación comparativa, utilizado bajo CC POR 4.0. Seleccionado, reformateado y convertido a porcentajes por Rubrex. Los creadores y métodos de referencia originales están vinculados en cada categoría. No se implica ningún respaldo. Datos de precios API: Catálogo de modelos públicos de OpenRouter, recuperado en la misma fecha.
La exportación de origen puede cambiar después de esta instantánea. No publicamos clasificaciones patrocinadas por proveedores y no afirmamos que estas puntuaciones establezcan la confiabilidad de la producción.
Antes de elegir
La evaluación independiente lleva tiempo y cada punto de referencia cubre un conjunto diferente de modelos. Dejamos vacíos los resultados que faltan. No inferimos una puntuación de otro modelo de la misma familia ni de una afirmación de lanzamiento.
Sólo si cumple con su estándar de calidad. Compare el costo por tarea exitosa, incluidos los reintentos y la revisión humana. Un precio simbólico bajo aún puede generar un flujo de trabajo costoso.
Pueden ayudar a crear una lista corta. Aún necesita documentos representativos, casos de responsabilidad, verificaciones de citaciones, límites de herramientas y pruebas de la solicitud completa.
Construir una evaluación RAG →De una terna a una decisión
Traiga un caso de uso. Podemos definir la barra de calidad, establecer una línea de base e investigar las fallas.
Explora el Sprint de confiabilidad de la IA →