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.
Vals Finance Agent v2Agente financiero Vals v2
— means no published score for this candidate in this source, not zero.10/11 recent-year models have scores
| N.º | Modelo | Cost / TestCosto por prueba | Input costPrecio de entrada por millón de tokens | Output costPrecio de salida por millón de tokens | DurationDuración de la prueba reportada | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 65.4 | $4.38 | $4 | $20 | 16.35 min |
| 2 |  Claude Fable 5.1Claude Fable 5.1 | 58.88 | $8.35 | $10 | $50 | 18.23 min |
| 3 | Claude Opus 5Claude Opus 5 | 58.63 | $5.12 | $5 | $25 | 9.97 min |
| 4 | Claude Opus 5.5Claude Opus 5.5 | 58.59 | $9.22 | $4 | $20 | 33.13 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.1 | $6.55 | $2 | $10 | 31.72 min |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 54.14 | $1.64 | $0.1 | $0.5 | 30.82 min |
| 7 |  GPT-6 AstraGPT-6 Astra | 53.54 | $6.82 | $10 | $50 | 11.55 min |
| 8 | GPT-6.1 SolGPT-6.1 Sol | 52.03 | $1.62 | $2 | $10 | 15.42 min |
| 9 | GPT-6 LunaGPT-6 Luna | 49.87 | $0.12 | $0.1 | $0.5 | 14.97 min |
| 10 | GPT-6 SolGPT-6 Sol | 49.05 | $2.12 | $2 | $10 | 9 min |
Benchmarks de Vals.ai
Fuente: Vals.ai ↗ · Actualizado 2026-10-19
Vals Finance Agent v2 · Actualizado 2026-10-18
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.
- Cost / Test
- Costo por prueba · USD
- Input cost
- Precio de entrada por millón de tokens · USD / 1M tokens
- Output cost
- Precio de salida por millón de tokens · USD / 1M tokens
- Duration
- Duración de la prueba reportada · s / min
- Vals.ai
- Los costos y los tiempos son reportados por Vals para este benchmark, no precios ni latencia universales de modelos. El costo de API estimado de CUA-bench cubre el uso de evaluación y es una estimación de límite inferior, no el costo por tarea; el tiempo por acción es un promedio, no una mediana. Un asterisco marca el comportamiento de caché de prompts del día de lanzamiento que aumentó los costos de escritura en caché. Los valores faltantes no están publicados, no son cero.
- 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 ↗
- 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 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 ↗
- LegalBenchBenchmark de razonamiento jurídico
- Evalúa la comprensión y el razonamiento sobre texto legal, incluida la identificación de cuestiones legales, el recuerdo y la aplicación de normas, y el juicio de conclusiones legales. La puntuación es la precisión en preguntas de razonamiento legal; más alto es mejor. A diferencia de Harvey's Legal Agent Benchmark, no mide a un agente produciendo productos de trabajo legal de varios pasos mediante la edición de archivos. Metodología de evaluación ↗