Comparación de capacidades de modelos de IA
Uso de computadora
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| N.º | Modelo | Motor del agente | Esfuerzo de razonamiento | Dividir | Tareas ejecutadas / total de tareas | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · flujos de trabajo profesionales
Fuente: Agents’ Last Exam ↗ · CC BY 4.0 · Obtenido 21 oct 2026, 06:00 UTC
ALE-V1 · full · max · Codex · Source date unknown
PandaNpc Actualizado 21 oct 2026, 06:01 UTC
Fuente: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Guía de columnas
- N.º
- Solo orden de visualización. El ordenamiento cambia este número; no es un ranking de capacidad publicado.
- Modelo
- El nombre del modelo evaluado y el icono de su proveedor. Un guion en una columna de puntuación significa que no hay una puntuación publicada disponible aquí, no un cero.
- Motor del agente
- Codex
- Esfuerzo de razonamiento
- max
- Puntuación
- ALE-V1 full split, máximo esfuerzo de razonamiento: porcentaje de las 152 tareas que reciben crédito completo. Los recuentos de tareas ejecutadas pueden ser inferiores a 152. Los flujos de trabajo profesionales permiten herramientas GUI y de línea de comandos; Claude Code y Codex usan arneses diferentes. Esta no es una comparación exclusiva de GUI. No se publica la fecha de la instantánea upstream; la hora de obtención se muestra por separado. Claude Code y Codex se clasifican solo dentro de sus grupos de comparación separados. Metodología de evaluación ↗
- Puntuación parcial
- ALE-V1 split completo, máximo esfuerzo de razonamiento: la puntuación media parcial de tareas publicada, convertida de 0–1 a porcentaje. Esta no es la tasa de aprobación de tareas completas. Los flujos de trabajo profesionales permiten herramientas GUI y de línea de comandos; Claude Code y Codex usan arneses diferentes. Se muestran los recuentos de tareas ejecutadas y el split de 152 tareas. No se publica ninguna fecha de instantánea upstream; la hora de obtención se muestra por separado. Claude Code y Codex se clasifican solo dentro de sus grupos de comparación separados.
- Dividir
- Dividir
- Tareas ejecutadas / total de tareas
- Tareas distintas con una ejecución publicada / las 152 tareas de la partición completa. La tasa de aprobación usa la partición completa como denominador; las tareas no ejecutadas no se cuentan como aprobadas.