Benchmarks de Modelos IA
Estándar: 36 · HF: 22
Sobre los benchmarks
Los benchmarks son pruebas estandarizadas que puntúan el rendimiento de los modelos de IA en razonamiento, conocimiento, matemáticas y programación. Úsalos para comparar modelos de forma objetiva y elegir el adecuado para tu tarea.
📊 Estándar. Estándar - los cuatro benchmarks públicos más citados (MMLU, GPQA, HumanEval, SWE-Bench), extraídos de la página de anuncio de cada modelo; nuestra Puntuación los combina en un solo número.
🤗 HF Open LLM Leaderboard. HF Open LLM Leaderboard - seis tareas (IFEval, BBH, MATH, GPQA, MuSR, MMLU-Pro) medidas de forma uniforme para modelos open source; ordenados por la Media.
📚MMLU
57 materias académicas
🔬GPQA Diamond
Preguntas científicas de nivel PhD
💻HumanEval
Generación de código Python
🔧SWE-Bench
Tareas reales de GitHub
| # | Modelo↕ | Proveedor↕ | MMLU↕ | GPQA↕ | HumanEval↕ | SWE-Bench↕ | Puntuación↓ |
|---|---|---|---|---|---|---|---|
| 1 | Anthropic | 90.1 | 74.3 | 92.1 | 72.5 | 81.5 | |
| 2 | Anthropic | 88.3 | 65.0 | 92.0 | 57.0 | 74.4 | |
| 3 | Anthropic | 82.9 | 43.0 | 88.3 | 33.2 | 59.9 | |
| 4 | Anthropic | - | - | - | 74.5 | - |
Score = MMLU×20% + GPQA×30% + HumanEval×25% + SWE-Bench×25%Todas las puntuaciones en % · mayor es mejor→ Tabla completa de modelos con precios y velocidad