Comparación de capacidades de modelos de IA
Trabajo de conocimiento
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.
— means no published score for this candidate in this source, not zero.
| N.º | Modelo | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 4 Argon |
| 6 | Claude Sonnet 5.5 | — | — | — | — |
| 7 | Claude Opus 5 | — | — | — | — |
| 8 | GPT-6 Sol | — | — | — | — |
| 9 | GPT-6 Luna | — | — | — | — |
| 10 | Claude Haiku 5.5 | — | — | — | — |
| 11 | Claude Mythos Preview | — | — | — | — |
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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreBenchmark de automatización — puntuación
- Evalúa si un agente completa flujos de trabajo empresariales en múltiples aplicaciones. Las puntuaciones oficiales usan un conjunto de tareas privado y comprueban el estado final del flujo de trabajo. Metodología de evaluación ↗
- Harvey's Legal Agent BenchmarkBenchmark de agente legal Harvey
- Evalúa agentes que leen y editan archivos para producir productos de trabajo legal de varios pasos. Una tarea se aprueba solo cuando se cumple cada requisito de calificación. La puntuación es la tasa media de aprobación de tareas de dos evaluadores; más alto es mejor. No es el porcentaje de criterios individuales superados, y mide flujos de trabajo de agentes legales en lugar de las preguntas de razonamiento legal de LegalBench. Metodología de evaluación ↗
- Vals Finance Agent v2Agente financiero Vals v2
- Evalúa el análisis financiero con herramientas de búsqueda, informes financieros y cálculo, incluidos controles de datos entre documentos, comparaciones de rendimiento empresarial y valoración. La métrica principal es Partial Credit, promediada en tres ejecuciones: las comprobaciones de respuestas reciben pesos según la gravedad, y un error crítico determinante hace que esa pregunta obtenga una puntuación cero. Más alto es mejor. Es distinta de la métrica separada All-Pass y no es la tasa de aprobación de la pregunta completa. Metodología de evaluación ↗
- Vals IndexÍndice compuesto Vals
- Un índice compuesto de tareas profesionales en áreas como finanzas, programación y derecho. Su puntuación porcentual combina resultados de benchmarks usando el método de ponderación de esa versión publicada; más alto significa un rendimiento general más sólido, no la precisión de una sola tarea. Los dominios y pesos incluidos cambian entre versiones, por lo que la metodología más reciente no debe aplicarse de forma retrospectiva a instantáneas de puntuaciones anteriores. Metodología de evaluación ↗
Lea las puntuaciones dentro del mismo benchmark, fuente y versión. Los valores más altos indican un mejor rendimiento en la métrica reportada, pero diferentes columnas no comparten una escala común.