Saltar al contenido principal
Bench

Idioma

English日本語中文Español

Información del sitio

Resultados en tareas

Preguntas de opción múltiple de nivel experto en biología, química y física (solo la parte que resolvieron los expertos, GPQA diamond)

Tarea que reúne, entre las preguntas de opción múltiple escritas por expertos en biología, química y física, las que los expertos del campo respondieron bien y la mayoría de las personas ajenas al campo respondió mal.

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

PuestoModeloDesarrolladorTasa de acierto
(%)Escala de Tasa de acierto: 85–100		Fecha de evaluaciónEntrada $
/1M		Salida $
/1M		ContextoAdmitePesosPublicaciónPrecio y características
1–25.ºGemini 4 ArgonGoogleValoración 99.2 ±3.2$2$101.05MGoogle Publicación 2026-⁠09 Precio $2 / $10 Longitud 1.05M
1–28.ºGPT-6 AstraOpenAIValoración 98.3 ±3.7$10$501.05MOpenAI Publicación 2026-⁠09 Precio $10 / $50 Longitud 1.05M
1–33.ºClaude Sonnet 5.5AnthropicValoración 98.0 ±3.7$2$101MAnthropic Publicación 2026-⁠09 Precio $2 / $10 Longitud 1M
1–34.ºGemini 3.8 FlashGoogleValoración 97.8 ±3.8$0.75$3.751.05MGoogle Publicación 2026-⁠09 Precio $0.75 / $3.75 Longitud 1.05M
1–34.ºGPT-6.1 SolOpenAIValoración 97.8 ±3.8$2$101.05MOpenAI Publicación 2026-⁠09 Precio $2 / $10 Longitud 1.05M
1–41.ºGemini 3.7 FlashGoogleValoración 97.0 ±3.7$0.75$3.751.05MGoogle Publicación 2026-⁠08 Precio $0.75 / $3.75 Longitud 1.05M
1–46.ºGPT-5.4 ProOpenAIValoración 96.7 ±4.4$30$1801.05MOpenAI Publicación 2026-⁠03 Precio $30 / $180 Longitud 1.05M
1–47.ºGemini 3.1 Pro (preview)GoogleValoración 96.4 ±4.4$2$121.05MGoogle Publicación 2026-⁠02 Precio $2 / $12 Longitud 1.05M
1–46.ºGPT-6 SolOpenAIValoración 96.3 ±4.1$2$101.05MOpenAI Publicación 2026-⁠09 Precio $2 / $10 Longitud 1.05M
1–47.ºGemini 3.6 FlashGoogleValoración 96.0 ±3.8$0.75$3.751.05MGoogle Publicación 2026-⁠07 Precio $0.75 / $3.75 Longitud 1.05M
1–48.ºGPT-5.5OpenAIValoración 95.8 ±4.2$5$301.05MOpenAI Publicación 2026-⁠04 Precio $5 / $30 Longitud 1.05M
1–47.ºGrok 4.6xAIValoración 95.8 ±3.9$2$6500KxAI Publicación 2026-⁠08 Precio $2 / $6 Longitud 500K
1–48.ºGPT-5.5 ProOpenAIValoración 95.7 ±4.3$30$1801.05MOpenAI Publicación 2026-⁠04 Precio $30 / $180 Longitud 1.05M
1–48.ºClaude Opus 5AnthropicValoración 95.7 ±4.0$5$251MAnthropic Publicación 2026-⁠07 Precio $5 / $25 Longitud 1M
1–50.ºGPT-5.6 SolOpenAIValoración 95.1 ±4.3$4$201.05MOpenAI Publicación 2026-⁠07 Precio $4 / $20 Longitud 1.05M
1–50.ºGrok 4.5xAIValoración 95.0 ±3.9$2$6500KxAI Publicación 2026-⁠07 Precio $2 / $6 Longitud 500K
1–54.ºGPT-5.6 TerraOpenAIValoración 94.9 ±4.2$2$121.05MOpenAI Publicación 2026-⁠07 Precio $2 / $12 Longitud 1.05M
1–56.ºGPT-5.4OpenAIValoración 94.9 ±4.9$2.5$151.05MOpenAI Publicación 2026-⁠03 Precio $2.5 / $15 Longitud 1.05M
1–55.ºDeepSeek-V4.1 Flash (2026-⁠10)⁠DeepSeekValoración 94.7 ±4.3$0.15$0.61MDeepSeek Publicación 2026-⁠10 Precio $0.15 / $0.6 Longitud 1M
1–55.ºKimi K3⁠MoonshotValoración 94.6 ±4.1$3$151.05MMoonshot Publicación 2026-⁠07 Precio $3 / $15 Longitud 1.05M
1–58.ºGemini 3.5 FlashGoogleValoración 94.2 ±4.5$1.5$91.05MGoogle Publicación 2026-⁠05 Precio $1.5 / $9 Longitud 1.05M
1–58.ºGrok 4.7xAIValoración 94.1 ±4.2$2$6500KxAI Publicación 2026-⁠09 Precio $2 / $6 Longitud 500K
1–58.ºQwen3.8 MaxAlibabaValoración 94.0 ±4.6$2$61MAlibaba Publicación 2026-⁠08 Precio $2 / $6 Longitud 1M
1–58.ºGemini 3 Pro (preview)GoogleValoración 93.9 ±4.5——1MGoogle Publicación 2025-⁠11 Precio — Longitud 1M
1–62.ºQwen3.8 Max (2026-⁠09)AlibabaValoración 93.5 ±4.7——1MAlibaba Publicación 2026-⁠09 Precio — Longitud 1M
2–64.ºGLM-5.2⁠Z.aiValoración 92.9 ±4.4$1.4$4.41MZ.ai Publicación 2026-⁠06 Precio $1.4 / $4.4 Longitud 1M
3–64.ºDeepSeek-V4 Pro (2026-⁠08)⁠DeepSeekValoración 92.6 ±4.1$0.66$1.981MDeepSeek Publicación 2026-⁠08 Precio $0.66 / $1.98 Longitud 1M
2–66.ºGPT-5.6 LunaOpenAIValoración 92.5 ±4.7$0.2$1.21.05MOpenAI Publicación 2026-⁠07 Precio $0.2 / $1.2 Longitud 1.05M
2–69.ºGPT-5.2OpenAIValoración 92.2 ±4.9$1.75$14400KOpenAI Publicación 2025-⁠12 Precio $1.75 / $14 Longitud 400K
3–72.ºClaude Opus 4.8AnthropicValoración 91.7 ±5.2$5$251MAnthropic Publicación 2026-⁠05 Precio $5 / $25 Longitud 1M
4–69.ºDeepSeek-V4 Flash (2026-⁠07)⁠DeepSeekValoración 91.7 ±4.8——1MDeepSeek Publicación 2026-⁠07 Precio — Longitud 1M
3–73.ºDeepSeek-V4 Pro⁠DeepSeekValoración 91.5 ±5.6$0.66$1.981MDeepSeek Publicación 2026-⁠04 Precio $0.66 / $1.98 Longitud 1M
6–69.ºGLM-5.3⁠Z.aiValoración 91.5 ±4.3$1.4$4.41MZ.ai Publicación 2026-⁠08 Precio $1.4 / $4.4 Longitud 1M
3–73.ºMiniMax-M3⁠MiniMaxValoración 91.5 ±5.6$0.3$1.21.05MMiniMax Publicación 2026-⁠06 Precio $0.3 / $1.2 Longitud 1.05M
3–73.ºQwen3.7 MaxAlibabaValoración 91.5 ±5.6$2.5$7.51MAlibaba Publicación 2026-⁠05 Precio $2.5 / $7.5 Longitud 1M
6–72.ºKimi K2.6⁠MoonshotValoración 91.4 ±4.7$0.95$4262.1KMoonshot Publicación 2026-⁠04 Precio $0.95 / $4 Longitud 262.1K
6–73.ºClaude Opus 5.5AnthropicValoración 91.1 ±5.3$4$201MAnthropic Publicación 2026-⁠09 Precio $4 / $20 Longitud 1M
7–73.ºClaude Opus 4.6AnthropicValoración 91.0 ±4.6$5$251MAnthropic Publicación 2026-⁠02 Precio $5 / $25 Longitud 1M
6–73.ºClaude Sonnet 5AnthropicValoración 91.0 ±4.9$2$101MAnthropic Publicación 2026-⁠06 Precio $2 / $10 Longitud 1M
6–73.ºGPT-6 LunaOpenAIValoración 90.9 ±5.0$0.1$0.51.05MOpenAI Publicación 2026-⁠09 Precio $0.1 / $0.5 Longitud 1.05M

Evolución de la máxima tasa de acierto

2023-03-14Publicación2026-10-17
Cómo leer esta página
  • El valor es la tasa de acierto.
  • 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