Valores publicados por otras instituciones
Trabajo simulado de una empresa (The Agent Company)
Tarea en la que, en un entorno que imita una empresa de software, el modelo termina trabajos de desarrollo, administración y finanzas usando herramientas internas y comunicándose con compañeros simulados.
Cómo leer esta tabla
- Cuanto más arriba, mejor valorado está el modelo.
- 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 | DeepSeek-V3.2 (exp) | DeepSeek | Valoración 42.9 | — | — | 163.8K | DeepSeek Publicación 2025-09 Precio — Longitud 163.8K | |||
| 2.º | Gemini 2.5 Flash (preview, 2025-09) | Valoración 41.1 | — | — | 1M | Google Publicación 2025-09 Precio — Longitud 1M | ||||
| 3.º | Claude Sonnet 4 | Anthropic | Valoración 33.1 | — | — | 200K | Anthropic Publicación 2025-05 Precio — Longitud 200K | |||
| 4.º | Claude 3.7 Sonnet | Anthropic | Valoración 30.9 | — | — | 200K | Anthropic Publicación 2025-02 Precio — Longitud 200K | |||
| 5.º | Gemini 2.5 Pro (preview, 2025-05) | Valoración 30.3 | — | — | 1.05M | Google Publicación 2025-05 Precio — Longitud 1.05M | ||||
| 6.º | Claude 3.5 Sonnet (2024-10) | Anthropic | Valoración 24.0 | — | — | 200K | Anthropic Publicación 2024-10 Precio — Longitud 200K | |||
| 7.º | Gemini 2.0 Flash | Valoración 11.4 | — | — | — | Google Publicación 2025-02 Precio — Longitud — | ||||
| 8.º | GPT-4o (2024-11) | OpenAI | Valoración 8.6 | $2.5 | $10 | 128K | OpenAI Publicación 2024-11 Precio $2.5 / $10 Longitud 128K | |||
| 9.º | Llama 3.1 405B (instruct) | Meta | Valoración 7.4 | — | — | — | Meta Publicación 2024-07 Precio — Longitud — | |||
| 10.º | Llama 3.1 70B (instruct) | Meta | Valoración 6.9 | — | — | 128K | Meta Publicación 2024-07 Precio — Longitud 128K | |||
| 11.º | Qwen2.5 72B (instruct) | Alibaba | Valoración 5.7 | — | — | 128K | Alibaba Publicación 2024-09 Precio — Longitud 128K | |||
| 12.º | Gemini 1.5 Pro 002 | Valoración 3.4 | — | — | — | Google Publicación 2024-09 Precio — Longitud — | ||||
| 13.º | Amazon Nova Pro 1.0 | Amazon | Valoración 1.7 | — | — | 300K | Amazon Publicación 2024-12 Precio — Longitud 300K | |||
| 14.º | Qwen2 72B (instruct) | Alibaba | Valoración 1.1 | — | — | — | Alibaba Publicación 2024-06 Precio — Longitud — |
Evolución de la máxima tasa de éxito
2024-06-07Publicación2025-09-29
Cómo leer esta página
- El valor es la proporción de tareas terminadas 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