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.
Agent's Last Exam — Pass rateExamen final del agente — tasa de aprobación
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| N.º | Modelo | |
|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 39.5Pass rate |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 38.2Pass rate |
| 3 |  GPT-6 AstraGPT-6 Astra | 34.2Pass rate |
Google DeepMind (model card)
Fuente: Google DeepMind (model card) ↗
Tarjeta del modelo de Google: resultados del publicador y puntuaciones de terceros republicadas, con fecha de octubre de 2026. Consulta la metodología para conocer la configuración de evaluación; no todas son evaluaciones independientes. Metodología de evaluación ↗
Agent's Last Exam — Pass rate · 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.
- Puntuación
- Prueba trabajo profesional de horizonte largo en entornos de software reales. La tasa de aprobación cuenta las tareas que cumplen el resultado requerido, no solo el progreso parcial. Metodología de evaluación ↗
- Cobertura
- Solo se muestran los resultados publicados para las familias de modelos seleccionadas. OSWorld 2.x, Verified y Pro actualmente proporcionan configuraciones de Claude Opus 5; esto no es una cobertura completa de todos los modelos. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web y WorkArena++ aún no están integrados aquí. SafeArena mide la seguridad por separado y no se fusiona en las puntuaciones de finalización de tareas. Los resultados faltantes nunca se rellenan con cero.