Comparación de capacidades de modelos de IA
Ciencia y matemáticas
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 | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
Benchmarks de Epoch AI
Fuente: Epoch AI, CC BY 4.0 ↗ · Actualizado 2026-10-15
CritPt · Actualizado 2026-10-15
FrontierMath Tiers 1-3 · Actualizado 2026-10-15
FrontierMath Tier 4 · Actualizado 2026-10-15
ProofBench · Actualizado 2026-10-12
GPQA Diamond · Actualizado 2026-10-15
Humanity's Last Exam · Actualizado 2026-10-07
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.
- CritPtProblemas de física a nivel de investigación
- Evalúa el razonamiento sobre problemas de física de nivel de investigación no publicados en distintos campos de la física moderna. Metodología de evaluación ↗
- FrontierMath Tiers 1-3Matemáticas Frontier — niveles 1-3
- Evalúa problemas originales y desafiantes de matemáticas en los niveles de dificultad 1–3. Estas puntuaciones no deben combinarse con las del nivel 4, más difícil. Metodología de evaluación ↗
- FrontierMath Tier 4Matemáticas Frontier — nivel 4
- Evalúa el nivel más difícil de los problemas de nivel de investigación de FrontierMath, por separado de los niveles 1–3. Metodología de evaluación ↗
- ProofBenchBenchmark de demostración matemática formal
- Evalúa la producción de demostraciones matemáticas que pueden ser verificadas por un verificador formal. Metodología de evaluación ↗
- GPQA DiamondPreguntas y respuestas de nivel de posgrado — Diamond
- Evalúa preguntas difíciles de ciencias de nivel de posgrado que requieren conocimientos especializados y razonamiento. Metodología de evaluación ↗
- Humanity's Last ExamExamen final de la humanidad
- Evalúa preguntas difíciles de nivel experto en muchas materias académicas. Es un benchmark de preguntas y respuestas, distinto de Agents' Last Exam. 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.