TECHAGENT - MY AI LIFE

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.

📊 Estándar (MMLU · GPQA · HumanEval · SWE-Bench)🤗 HF Open LLM Leaderboard
📚MMLU
57 materias académicas
o1
OpenAI
92.3%
🔬GPQA Diamond
Preguntas científicas de nivel PhD
o1
OpenAI
77.3%
💻HumanEval
Generación de código Python
DeepSeek R1
DeepSeek
92.6%
🔧SWE-Bench
Tareas reales de GitHub
Claude Opus 4.1
Anthropic
74.5%
📚MMLU

57 materias académicas

🔬GPQA Diamond

Preguntas científicas de nivel PhD

💻HumanEval

Generación de código Python

🔧SWE-Bench

Tareas reales de GitHub

TodoCódigo abiertoAnthropic (4)OpenAI (4)Google (4)Yandex (3)Meta (3)
#Modelo↕Proveedor↕MMLU↕GPQA↕HumanEval↕SWE-Bench↕Puntuación↓
1AnthropicClaude Opus 4.7Anthropic
90.1
74.3
92.1
72.5
81.5
2Moonshot AIMoonshot v1 128KMoonshot AI
83.0
-
77.0
-79.7
3Zhipu AIGLM-4 PlusZhipu AI
83.0
-
76.0
-79.1
4BaiduERNIE 4.0 TurboBaidu
82.0
-
76.0
-78.7
5ByteDanceDoubao Pro 32KByteDance
82.0
-
75.0
-78.1
6TencentHunyuan ProTencent
81.0
-
74.0
-77.1
7OpenAIo1OpenAI
92.3
77.3
92.4
48.9
77.0
8DeepSeekDeepSeek R1DeepSeek
90.8
71.5
92.6
49.2
75.1
9YandexYandexGPT 4 ProYandex
78.0
-
72.0
-74.7
10AnthropicClaude Sonnet 4.6Anthropic
88.3
65.0
92.0
57.0
74.4
11MiniMax Text-01MiniMax
88.0
56.0
84.0
-73.9
12OpenAIo3-miniOpenAI
86.9
67.4
91.7
49.3
72.9
13BaiduERNIE 4.5Baidu
88.0
55.0
82.0
-72.8
14SberGigaChat MaxSber
74.0
-
68.0
-70.7
15DeepSeekDeepSeek V3DeepSeek
88.5
59.1
89.4
42.0
68.3
16YandexYandexGPT 3 ProYandex
72.0
-
65.0
-68.1
17AlibabaQwen MaxAlibaba
89.0
59.0
87.0
37.0
66.5
18OpenAIGPT-4oOpenAI
88.7
53.6
90.2
38.3
65.9
19HyperCLOVA XNaver
79.0
-
55.0
-65.7
20YandexYandexGPT 4 LiteYandex
69.0
-
62.0
-65.1
21MetaLlama 3.1 405BMeta
88.6
50.7
89.0
34.1
63.7
22SberGigaChat ProSber
68.0
-
60.0
-63.6
23Mistral AIMistral Large 2Mistral AI
84.0
47.2
92.1
32.6
62.1
24AnthropicClaude Haiku 4.5Anthropic
82.9
43.0
88.3
33.2
59.9
25Alibaba/QwenQwen 2.5 72BAlibaba/Qwen
86.1
49.0
86.5
23.7
59.5
26Alibaba/QwenQwen 2.5 Coder 32BAlibaba/Qwen
80.0
42.0
92.3
30.0
59.2
27GoogleGemini 1.5 ProGoogle
85.9
46.2
84.1
26.9
58.8
28GoogleGemini 2.0 FlashGoogle
83.0
45.0
85.0
22.0
56.9
29MetaLlama 3.1 70BMeta
83.6
46.7
80.5
21.8
56.3
30OpenAIGPT-4o miniOpenAI
82.0
40.1
87.1
22.8
55.9
31GoogleGemini 1.5 FlashGoogle
78.9
37.0
78.9
16.2
50.7
32GoogleGemma 2 27BGoogle
75.2
38.4
74.0
14.7
48.7
33CohereCommand R+Cohere
80.4
30.1
74.2
16.8
47.9
34Mistral AIMistral NeMoMistral AI
68.0
32.0
73.4
15.0
45.3
35MetaLlama 3.2 3BMeta
63.4
24.7
58.3
9.5
37.0
36AnthropicClaude Opus 4.1Anthropic---
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