Valores publicados por otras instituciones
Manejar la pantalla de un ordenador (OSWorld 2.0)
Tarea en la que el modelo mira la pantalla de un sistema operativo real y termina trabajos que abarcan varias aplicaciones usando el ratón y el teclado.
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 el valor publicado por la institución que creó la tarea, entre otras.
- Las condiciones de medición pueden variar según el modelo, 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).
| Puesto | Modelo | Desarrollador | Tasa de éxito (%) | Entrada $ /1M | Salida $ /1M | Contexto | Admite | Pesos | Publicación | Precio y características |
|---|---|---|---|---|---|---|---|---|---|---|
| 1.º | Claude Opus 5 | Anthropic | Valoración 31.4 | $5 | $25 | 1M | Anthropic Publicación 2026-07 Precio $5 / $25 Longitud 1M | |||
| 2.º | GPT-5.6 Sol | OpenAI | Valoración 27.3 | $4 | $20 | 1.05M | OpenAI Publicación 2026-07 Precio $4 / $20 Longitud 1.05M | |||
| 3.º | Claude Opus 4.8 | Anthropic | Valoración 20.6 | $5 | $25 | 1M | Anthropic Publicación 2026-05 Precio $5 / $25 Longitud 1M | |||
| 4.º | Claude Opus 4.7 | Anthropic | Valoración 18.2 | $5 | $25 | 1M | Anthropic Publicación 2026-04 Precio $5 / $25 Longitud 1M | |||
| 5.º | GPT-5.5 | OpenAI | Valoración 13.0 | $5 | $30 | 1.05M | OpenAI Publicación 2026-04 Precio $5 / $30 Longitud 1.05M | |||
| 6.º | Claude Sonnet 4.6 | Anthropic | Valoración 9.3 | $3 | $15 | 1M | Anthropic Publicación 2026-02 Precio $3 / $15 Longitud 1M | |||
| 7–8.º | Kimi K2.6 | Moonshot | Valoración 4.6 | $0.95 | $4 | 262.1K | Moonshot Publicación 2026-04 Precio $0.95 / $4 Longitud 262.1K | |||
| 7–8.º | MiniMax-M3 | MiniMax | Valoración 4.6 | $0.3 | $1.2 | 1.05M | MiniMax Publicación 2026-06 Precio $0.3 / $1.2 Longitud 1.05M | |||
| 9.º | Qwen3.7 Plus | Alibaba | Valoración 2.8 | $0.4 | $1.6 | 1M | Alibaba Publicación 2026-06 Precio $0.4 / $1.6 Longitud 1M |
Evolución de la máxima tasa de éxito
2026-02-17Publicación2026-07-24
Cómo leer esta página
- El valor es la proporción de trabajos terminados hasta el final. Reúne valores publicados por las instituciones que crearon las tareas, entre otras.
- 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