Resultados en tareas
Encontrar errores en el montaje de muebles (Furniture Assembly)
Tarea en la que, a partir de una foto de un mueble de IKEA montado y del manual de montaje oficial, se decide si el montaje es correcto y, si hay un error, en qué paso está.
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 preguntas comunes que se resolvieron.
- ± es lo que puede variar al volver a medir, así que no hace falta preocuparse por diferencias pequeñas.
- 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 acierto (%) | Fecha de evaluación | Entrada $ /1M | Salida $ /1M | Contexto | Admite | Pesos | Publicación | Precio y características |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1–6.º | Claude Opus 5.5 | Anthropic | Valoración 76.2 ±13.2 | $4 | $20 | 1M | Anthropic Publicación 2026-09 Precio $4 / $20 Longitud 1M | ||||
| 1–6.º | GPT-6.1 Sol | OpenAI | Valoración 71.4 ±13.8 | $2 | $10 | 1.05M | OpenAI Publicación 2026-09 Precio $2 / $10 Longitud 1.05M | ||||
| 1–6.º | GPT-6 Astra | OpenAI | Valoración 71.4 ±13.8 | $10 | $50 | 1.05M | OpenAI Publicación 2026-09 Precio $10 / $50 Longitud 1.05M | ||||
| 1–7.º | Claude Sonnet 5.5 | Anthropic | Valoración 64.3 ±15.4 | $2 | $10 | 1M | Anthropic Publicación 2026-09 Precio $2 / $10 Longitud 1M | ||||
| 1–9.º | Gemini 4 Argon | Valoración 60.7 ±15.8 | $2 | $10 | 1.05M | Google Publicación 2026-09 Precio $2 / $10 Longitud 1.05M | |||||
| 1–11.º | Claude Fable 5.1 | Anthropic | Valoración 57.1 ±16.0 | $10 | $50 | 1M | Anthropic Publicación 2026-09 Precio $10 / $50 Longitud 1M | ||||
| 4–14.º | Claude Opus 5 | Anthropic | Valoración 44.0 ±17.3 | $5 | $25 | 1M | Anthropic Publicación 2026-07 Precio $5 / $25 Longitud 1M | ||||
| 5–16.º | GPT-6 Sol | OpenAI | Valoración 40.5 ±18.0 | $2 | $10 | 1.05M | OpenAI Publicación 2026-09 Precio $2 / $10 Longitud 1.05M | ||||
| 5–17.º | GPT-5.6 Sol | OpenAI | Valoración 38.1 ±17.8 | $4 | $20 | 1.05M | OpenAI Publicación 2026-07 Precio $4 / $20 Longitud 1.05M | ||||
| 6–19.º | GPT-5.6 Terra | OpenAI | Valoración 34.5 ±18.0 | $2 | $12 | 1.05M | OpenAI Publicación 2026-07 Precio $2 / $12 Longitud 1.05M | ||||
| 6–19.º | Muse Wonder | Meta | Valoración 34.5 ±18.0 | $4 | $20 | 1.05M | Meta Publicación 2026-10 Precio $4 / $20 Longitud 1.05M | ||||
| 7–24.º | Claude Haiku 5.5 | Anthropic | Valoración 25.0 ±18.1 | $0.1 | $0.5 | 1M | Anthropic Publicación 2026-10 Precio $0.1 / $0.5 Longitud 1M | ||||
| 7–26.º | GPT-5.5 | OpenAI | Valoración 20.2 ±17.9 | $5 | $30 | 1.05M | OpenAI Publicación 2026-04 Precio $5 / $30 Longitud 1.05M | ||||
| 7–26.º | GPT-6 Luna | OpenAI | Valoración 20.2 ±17.9 | $0.1 | $0.5 | 1.05M | OpenAI Publicación 2026-09 Precio $0.1 / $0.5 Longitud 1.05M | ||||
| 8–28.º | Claude Opus 4.8 | Anthropic | Valoración 17.9 ±17.9 | $5 | $25 | 1M | Anthropic Publicación 2026-05 Precio $5 / $25 Longitud 1M | ||||
| 8–28.º | GPT-5.6 Luna | OpenAI | Valoración 17.9 ±17.9 | $0.2 | $1.2 | 1.05M | OpenAI Publicación 2026-07 Precio $0.2 / $1.2 Longitud 1.05M | ||||
| 9–28.º | Grok 4.6 | xAI | Valoración 14.3 ±17.5 | $2 | $6 | 500K | xAI Publicación 2026-08 Precio $2 / $6 Longitud 500K | ||||
| 10–30.º | GPT-5.2 | OpenAI | Valoración 11.9 ±17.7 | $1.75 | $14 | 400K | OpenAI Publicación 2025-12 Precio $1.75 / $14 Longitud 400K | ||||
| 10–31.º | GPT-5.4 | OpenAI | Valoración 10.7 ±17.5 | $2.5 | $15 | 1.05M | OpenAI Publicación 2026-03 Precio $2.5 / $15 Longitud 1.05M | ||||
| 12–34.º | Claude Fable 5 | Anthropic | Valoración 8.3 ±17.3 | $10 | $50 | 1M | Anthropic Publicación 2026-06 Precio $10 / $50 Longitud 1M | ||||
| 12–34.º | DeepSeek-V4.1 Flash | DeepSeek | Valoración 6.0 ±16.8 | — | — | 1M | DeepSeek Publicación 2026-09 Precio — Longitud 1M | ||||
| 12–34.º | Kimi K3 | Moonshot | Valoración 6.0 ±17.1 | $3 | $15 | 1.05M | Moonshot Publicación 2026-07 Precio $3 / $15 Longitud 1.05M | ||||
| 12–34.º | Claude Opus 4.7 | Anthropic | Valoración 4.8 ±17.2 | $5 | $25 | 1M | Anthropic Publicación 2026-04 Precio $5 / $25 Longitud 1M | ||||
| 12–34.º | Gemini 3.8 Flash | Valoración 2.4 ±16.6 | $0.75 | $3.75 | 1.05M | Google Publicación 2026-09 Precio $0.75 / $3.75 Longitud 1.05M | |||||
| 13–34.º | Claude Opus 4.5 | Anthropic | Valoración 0.0 ±16.4 | $5 | $25 | 200K | Anthropic Publicación 2025-11 Precio $5 / $25 Longitud 200K | ||||
| 13–34.º | Claude Opus 4.6 | Anthropic | Valoración 0.0 ±16.4 | $5 | $25 | 1M | Anthropic Publicación 2026-02 Precio $5 / $25 Longitud 1M | ||||
| 15–34.º | Gemini 3.1 Pro (preview) | Valoración 0.0 ±15.8 | $2 | $12 | 1.05M | Google Publicación 2026-02 Precio $2 / $12 Longitud 1.05M | |||||
| 15–34.º | Gemini 3.7 Flash | Valoración 0.0 ±15.8 | $0.75 | $3.75 | 1.05M | Google Publicación 2026-08 Precio $0.75 / $3.75 Longitud 1.05M | |||||
| 18–34.º | Gemini 3.6 Flash | Valoración 0.0 ±15.1 | $0.75 | $3.75 | 1.05M | Google Publicación 2026-07 Precio $0.75 / $3.75 Longitud 1.05M | |||||
| 18–34.º | Grok 4.5 | xAI | Valoración 0.0 ±15.0 | $2 | $6 | 500K | xAI Publicación 2026-07 Precio $2 / $6 Longitud 500K | ||||
| 19–34.º | Kimi K2.6 | Moonshot | Valoración 0.0 ±14.6 | $0.95 | $4 | 262.1K | Moonshot Publicación 2026-04 Precio $0.95 / $4 Longitud 262.1K | ||||
| 20–34.º | Grok 4.7 | xAI | Valoración 0.0 ±14.6 | $2 | $6 | 500K | xAI Publicación 2026-09 Precio $2 / $6 Longitud 500K | ||||
| 20–34.º | Mistral Large 4 | Mistral | Valoración 0.0 ±14.6 | $1.36 | $4.18 | 524.3K | Mistral Publicación 2026-10 Precio $1.36 / $4.18 Longitud 524.3K | ||||
| 20–34.º | Qwen3.8 Max (2026-09) | Alibaba | Valoración 0.0 ±14.6 | — | — | 1M | Alibaba Publicación 2026-09 Precio — Longitud 1M |
Evolución de la máxima tasa de acierto
2025-11-24Publicación2026-10-12
Cómo leer esta página
- Evalúa el razonamiento espacial que relaciona las ilustraciones del manual con el objeto real. El valor es la tasa de acierto.
- La tasa de acierto es la proporción de preguntas resueltas, sin la parte que se obtiene adivinando.
- 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