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 | 85.9 | 46.2 | 84.1 | 26.9 | 58.8 | ||
| 2 | 83.0 | 45.0 | 85.0 | 22.0 | 56.9 | ||
| 3 | 78.9 | 37.0 | 78.9 | 16.2 | 50.7 | ||
| 4 | 75.2 | 38.4 | 74.0 | 14.7 | 48.7 |
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