Benchmarks de LLM por área
Para cada área, qué mide / tipo / número de modelos incluidos.
Programación
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| Programación | Valoración en preguntas de programación | Valoración humana | 387 |
| LCB (Preguntas en inglés) | Problemas recientes de programación competitiva | Resultados en tareas | 68 |
| MirrorCode | Tareas largas de rehacer programas completos | Resultados en tareas | 10 |
| SWE-Bench verified | Corregir errores reales en Python | Resultados en tareas | 32 |
| Aider polyglot | Editar código en 6 lenguajes de programación | Valores publicados por otras instituciones | 55 |
| Terminal Bench | Trabajo en una terminal | Valores publicados por otras instituciones | 44 |
Matemáticas
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| Matemáticas | Valoración en problemas de matemáticas con respuesta definida | Valoración humana | 379 |
| AIME (Preguntas en inglés) | Problemas de un examen de matemáticas de Estados Unidos | Resultados en tareas | 68 |
| FrontierMath 2025-02 | Problemas de matemáticas no publicados (versión antigua) | Resultados en tareas | 71 |
| FrontierMath Tier 4 2025-07 | Problemas de matemáticas de nivel de investigación (versión antigua) | Resultados en tareas | 56 |
| FrontierMath Tier 4 v2 | Problemas de matemáticas de nivel de investigación | Resultados en tareas | 71 |
| FrontierMath Tiers 1-3 v2 | Problemas de matemáticas de nivel universitario avanzado a investigación inicial | Resultados en tareas | 88 |
| MATH level 5 | Los problemas más difíciles de las competiciones de matemáticas | Resultados en tareas | 97 |
| MATH500 (Preguntas en inglés) | Una selección de problemas de competiciones de matemáticas | Resultados en tareas | 68 |
| OTIS Mock AIME 2024-2025 | Problemas de competición matemática al estilo de AIME | Resultados en tareas | 201 |
| ProofBench | Problemas de demostración matemática | Valores publicados por otras instituciones | 81 |
Conocimiento y razonamiento
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| Preguntas difíciles | Valoración en preguntas difíciles | Valoración humana | 392 |
| Preguntas difíciles en inglés | Valoración en preguntas difíciles en inglés | Valoración humana | 390 |
| Preguntas especializadas | Valoración en preguntas de nivel experto | Valoración humana | 343 |
| GPQA (Preguntas en inglés) | Preguntas de opción múltiple de nivel experto en biología, química y física (versión en inglés medida en las mismas condiciones que la versión en japonés) | Resultados en tareas | 68 |
| GPQA diamond | Preguntas de opción múltiple de nivel experto en biología, química y física (solo la parte que resolvieron los expertos) | Resultados en tareas | 221 |
| HellaSwag (Preguntas en inglés) | Elegir cómo continúa una escena cotidiana | Resultados en tareas | 68 |
| MMLU-Pro (Preguntas en inglés) | Preguntas difíciles de opción múltiple de muchos campos | Resultados en tareas | 68 |
| SimpleQA Verified | Responder bien preguntas breves sobre hechos | Resultados en tareas | 83 |
| ARC-AGI-2 | Acertijos abstractos de cuadrículas | Valores publicados por otras instituciones | 91 |
| HLE | Las preguntas académicas más difíciles | Valores publicados por otras instituciones | 45 |
Escritura
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| Conversaciones de varios turnos | Valoración en conversaciones de varios turnos | Valoración humana | 390 |
| Escritura creativa | Valoración en peticiones de escritura creativa | Valoración humana | 390 |
| Preguntas largas | Valoración en preguntas largas | Valoración humana | 370 |
| Seguimiento de instrucciones | Valoración de si sigue instrucciones detalladas | Valoración humana | 392 |
| Lech Mazur Writing | Calificación de cuentos | Valores publicados por otras instituciones | 43 |
Agentes y documentos
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| APEX-Agents | Tareas de trabajo profesional | Valores publicados por otras instituciones | 51 |
| DeepResearch Bench | Responder investigando en la web | Valores publicados por otras instituciones | 25 |
| Fiction.LiveBench | Comprensión de historias largas | Valores publicados por otras instituciones | 39 |
| GDP.pdf | Comprensión de PDF | Valores publicados por otras instituciones | 39 |
| OSWorld 2.0 | Manejar la pantalla de un ordenador | Valores publicados por otras instituciones | 9 |
| The Agent Company | Trabajo simulado de una empresa | Valores publicados por otras instituciones | 14 |
Japonés y otros idiomas
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| Alemán | Valoración en preguntas en alemán | Valoración humana | 291 |
| Chino | Valoración en preguntas en chino | Valoración humana | 369 |
| Coreano | Valoración en preguntas en coreano | Valoración humana | 261 |
| Español | Valoración en preguntas en español | Valoración humana | 279 |
| Francés | Valoración en preguntas en francés | Valoración humana | 279 |
| Idiomas distintos del inglés | Valoración en preguntas en idiomas distintos del inglés | Valoración humana | 392 |
| Inglés | Valoración en preguntas en inglés | Valoración humana | 392 |
| Japonés | Valoración en preguntas en japonés | Valoración humana | 262 |
| Polaco | Valoración en preguntas en polaco | Valoración humana | 213 |
| Ruso | Valoración en preguntas en ruso | Valoración humana | 356 |
| GPQA (Versión en japonés) | Preguntas de opción múltiple de nivel experto en biología, química y física (versión en japonés) | Resultados en tareas | 68 |
| JamC-QA | Preguntas de opción múltiple sobre cultura y vida en Japón | Resultados en tareas | 68 |
| JHumanEval | Escribir código Python a partir de descripciones en japonés | Resultados en tareas | 68 |
| MIFEvalJa | Seguir instrucciones dadas en japonés | Resultados en tareas | 68 |
| MIFEvalJa (Medido con las tareas en inglés) | Seguir instrucciones dadas en japonés | Resultados en tareas | 68 |
| MMLU-ProX (Versión en japonés) | Preguntas difíciles de opción múltiple de muchos campos (versión en japonés) | Resultados en tareas | 68 |
| PolyMathJaHT | Problemas difíciles de matemáticas (en japonés) | Resultados en tareas | 68 |
| WMT20enja | Traducción del inglés al japonés | Resultados en tareas | 68 |
| WMT20jaen | Traducción del japonés al inglés | Resultados en tareas | 68 |
Sectores
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| Trabajo científico | Valoración en preguntas de trabajo científico | Valoración humana | 390 |
| Trabajo cuantitativo | Valoración en preguntas de trabajo cuantitativo | Valoración humana | 376 |
| Trabajo de redacción y edición | Valoración en preguntas de trabajo de redacción y edición | Valoración humana | 391 |
| Trabajo en empresa y finanzas | Valoración en preguntas de trabajo de gestión y finanzas | Valoración humana | 385 |
| Trabajo en entretenimiento y medios | Valoración en preguntas de trabajo de entretenimiento y medios | Valoración humana | 390 |
| Trabajo en medicina y salud | Valoración en preguntas de trabajo sanitario | Valoración humana | 363 |
| Trabajo en software e IT | Valoración en preguntas de trabajo de software y TI | Valoración humana | 392 |
| Trabajo jurídico y administrativo | Valoración en preguntas de trabajo jurídico y de administración pública | Valoración humana | 365 |
Otros
| Benchmark | Qué mide | Tipo | Modelos |
|---|---|---|---|
| General | Valoración global a partir de todos los votos | Valoración humana | 392 |
| General (sin empates) | Valoración sin los votos de empate | Valoración humana | 392 |
| Chess Puzzles | Elegir la mejor jugada en posiciones de ajedrez | Resultados en tareas | 85 |
| EBR-bench | Mejorar jugando una y otra vez | Resultados en tareas | 27 |
| Furniture Assembly | Encontrar errores en el montaje de muebles | Resultados en tareas | 34 |
| Mystery Game Puzzles | Elegir la mejor jugada en un juego cuyo nombre no se revela | Resultados en tareas | 79 |
| SpireClimb | Ganar un juego de cartas en su ajuste más difícil | Resultados en tareas | 7 |
Cómo leer esta página
- En el tipo, «Resultados en tareas» son resultados que la institución que reúne las evaluaciones midió por su cuenta en las mismas condiciones. «Valores publicados por otras instituciones» reúne valores publicados por las instituciones que crearon las tareas, entre otras. Dentro de cada área se ordenan por tipo y luego por nombre.
Datos: Arena / Epoch AI / Swallow LLM team (CC BY 4.0) / Models.dev (MIT), actualizado el 2026-10-24, Fuentes de datos