Resultados en tareas
Mejorar jugando una y otra vez (EBR-bench)
Tarea en la que el modelo juega una y otra vez al poco conocido juego de mesa Earthborne Rangers para ver si mejora tomando notas.
Cómo leer esta tabla
- Cuanto más arriba, mejor valoración; la diferencia entre modelos que aparecen con un intervalo como «1–2» está dentro del margen de error.
- La valoración es la proporción (%) de intentos en los que se completó la tarea común.
- Una diferencia de 3 equivale a 3 intentos de cada 100, y ± es lo que puede variar al volver a medir.
- El precio es una referencia por cada millón de tokens: primero lo que se le da a leer y después lo que se le pide escribir.
- La longitud es la cantidad de texto que se le puede dar a leer de una vez (tokens).
Margen de error del 1.º puesto
| Puesto | Modelo | Desarrollador | Tasa de éxito (%) | Fecha de evaluación | Entrada $ /1M | Salida $ /1M | Contexto | Admite | Pesos | Publicación | Precio y características |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1–4.º | GPT-6 Astra | OpenAI | Valoración 76.2 ±16.4 | $10 | $50 | 1.05M | OpenAI Publicación 2026-09 Precio $10 / $50 Longitud 1.05M | ||||
| 1–5.º | Claude Opus 5.5 | Anthropic | Valoración 71.4 ±13.8 | $4 | $20 | 1M | Anthropic Publicación 2026-09 Precio $4 / $20 Longitud 1M | ||||
| 1–6.º | Gemini 4 Argon | Valoración 64.8 ±9.6 | $2 | $10 | 1.05M | Google Publicación 2026-09 Precio $2 / $10 Longitud 1.05M | |||||
| 1–8.º | Claude Fable 5.1 | Anthropic | Valoración 57.1 ±11.8 | $10 | $50 | 1M | Anthropic Publicación 2026-09 Precio $10 / $50 Longitud 1M | ||||
| 2–9.º | GPT-6.1 Sol | OpenAI | Valoración 54.3 ±11.3 | $2 | $10 | 1.05M | OpenAI Publicación 2026-09 Precio $2 / $10 Longitud 1.05M | ||||
| 3–9.º | GPT-6 Sol | OpenAI | Valoración 53.3 ±9.0 | $2 | $10 | 1.05M | OpenAI Publicación 2026-09 Precio $2 / $10 Longitud 1.05M | ||||
| 4–10.º | Claude Opus 5 | Anthropic | Valoración 45.7 ±7.0 | $5 | $25 | 1M | Anthropic Publicación 2026-07 Precio $5 / $25 Longitud 1M | ||||
| 4–10.º | GPT-5.6 Sol | OpenAI | Valoración 44.8 ±8.1 | $4 | $20 | 1.05M | OpenAI Publicación 2026-07 Precio $4 / $20 Longitud 1.05M | ||||
| 5–10.º | Claude Haiku 5.5 | Anthropic | Valoración 43.8 ±3.5 | $0.1 | $0.5 | 1M | Anthropic Publicación 2026-10 Precio $0.1 / $0.5 Longitud 1M | ||||
| 7–12.º | Claude Fable 5 | Anthropic | Valoración 39.5 ±3.9 | $10 | $50 | 1M | Anthropic Publicación 2026-06 Precio $10 / $50 Longitud 1M | ||||
| 10–13.º | GPT-5.5 | OpenAI | Valoración 34.3 ±3.9 | $5 | $30 | 1.05M | OpenAI Publicación 2026-04 Precio $5 / $30 Longitud 1.05M | ||||
| 10–15.º | Muse Wonder | Meta | Valoración 31.4 ±8.1 | $4 | $20 | 1.05M | Meta Publicación 2026-10 Precio $4 / $20 Longitud 1.05M | ||||
| 11–14.º | Grok 4.6 | xAI | Valoración 30.5 ±3.2 | $2 | $6 | 500K | xAI Publicación 2026-08 Precio $2 / $6 Longitud 500K | ||||
| 12–14.º | Claude Opus 4.8 | Anthropic | Valoración 28.6 ±2.8 | $5 | $25 | 1M | Anthropic Publicación 2026-05 Precio $5 / $25 Longitud 1M | ||||
| 14–15.º | GPT-5.4 | OpenAI | Valoración 25.4 | $2.5 | $15 | 1.05M | OpenAI Publicación 2026-03 Precio $2.5 / $15 Longitud 1.05M | ||||
| 16.º | GPT-5.2 | OpenAI | Valoración 23.0 | $1.75 | $14 | 400K | OpenAI Publicación 2025-12 Precio $1.75 / $14 Longitud 400K | ||||
| 17.º | Claude Opus 4.7 | Anthropic | Valoración 19.0 | $5 | $25 | 1M | Anthropic Publicación 2026-04 Precio $5 / $25 Longitud 1M | ||||
| 18–19.º | Claude Opus 4.5 | Anthropic | Valoración 14.3 | $5 | $25 | 200K | Anthropic Publicación 2025-11 Precio $5 / $25 Longitud 200K | ||||
| 18–19.º | Gemini 3.1 Pro (preview) | Valoración 14.3 | $2 | $12 | 1.05M | Google Publicación 2026-02 Precio $2 / $12 Longitud 1.05M | |||||
| 20–21.º | Claude Opus 4.6 | Anthropic | Valoración 12.7 | $5 | $25 | 1M | Anthropic Publicación 2026-02 Precio $5 / $25 Longitud 1M | ||||
| 20–21.º | GPT-5 | OpenAI | Valoración 12.7 | $1.25 | $10 | 400K | OpenAI Publicación 2025-08 Precio $1.25 / $10 Longitud 400K | ||||
| 22–23.º | GLM-5.2 | Z.ai | Valoración 9.5 | $1.4 | $4.4 | 1M | Z.ai Publicación 2026-06 Precio $1.4 / $4.4 Longitud 1M | ||||
| 22–23.º | Qwen3.7 Max | Alibaba | Valoración 9.5 | $2.5 | $7.5 | 1M | Alibaba Publicación 2026-05 Precio $2.5 / $7.5 Longitud 1M | ||||
| 24.º | Claude Opus 4.1 | Anthropic | Valoración 7.9 | — | — | 200K | Anthropic Publicación 2025-08 Precio — Longitud 200K | ||||
| 25.º | Gemini 3.5 Flash | Valoración 4.8 | $1.5 | $9 | 1.05M | Google Publicación 2026-05 Precio $1.5 / $9 Longitud 1.05M | |||||
| 26–27.º | Claude Sonnet 4.5 | Anthropic | Valoración 2.4 | $3 | $15 | 200K | Anthropic Publicación 2025-09 Precio $3 / $15 Longitud 200K | ||||
| 26–27.º | Kimi K2.6 | Moonshot | Valoración 2.4 | $0.95 | $4 | 262.1K | Moonshot Publicación 2026-04 Precio $0.95 / $4 Longitud 262.1K |
Evolución de la máxima tasa de éxito
2025-08-05Publicación2026-10-12
Cómo leer esta página
- Se usa el mejor resultado de las partidas puntuadas jugadas después de las de práctica, y el valor es la proporción de objetivos logrados.
- La tasa de éxito es la proporción de intentos que salieron bien. Una diferencia de 1 punto equivale a 1 intento de cada 100.
- Los iconos de la columna Admite son, de izquierda a derecha: puede usar herramientas / puede leer imágenes / puede responder con un formato fijo (JSON) (una marca tenue significa que no lo admite o que se desconoce).
- Un modelo de pesos abiertos es aquel cuyo contenido (los pesos) se ha publicado y que también puedes ejecutar en tu propio ordenador o servidor. Los modelos sin la marca de pesos abiertos se usan normalmente a través del servicio del desarrollador (aplicación o API) (algunos modelos no tienen información sobre sus pesos).
- ChatGPT y los demás nombres junto al nombre del modelo son los servicios que ese desarrollador ofrece al público. Comprueba en el propio servicio si ese modelo se puede elegir allí.
Datos: Arena / Epoch AI / Swallow LLM team (CC BY 4.0) / Models.dev (MIT), actualizado el 2026-10-24, Fuentes de datos