El ranking de modelos de IA
Benchmarks
Clasificaciones de IA por benchmark: GPQA, MMLU-Pro, SWE-Bench, HumanEval, LiveBench, Humanity's Last Exam, MATH y Elo LMArena. Cada benchmark se normaliza a una única escala de 0 a 100 y se clasifica a partir de los resultados públicos publicados por sus creadores.
Hugging Face
GPQA
GPQA es un benchmark de opción múltiple creado por Google DeepMind con 448 preguntas científicas de nivel de posgrado en física, química y biología. Su nombre indica que las preguntas son tan difíciles que los buscadores no pueden responderlas, lo que protege al benchmark de la contaminación. La puntuación refleja con qué frecuencia un modelo responde correctamente a estas preguntas de expertos.
18 modelos clasificados · #1 GPT-5 99 →
Hugging Face
MMLU-Pro
MMLU-Pro es el sucesor más difícil de MMLU, el clásico benchmark de conocimiento. Expande la prueba original a más de 12 000 preguntas en 14 disciplinas académicas y añade diez opciones de respuesta, lo que hace mucho más difícil adivinar. Mide la amplitud del conocimiento del mundo del modelo y su fiabilidad para razonar en temas que van del derecho y la medicina a la física y la economía.
18 modelos clasificados · #1 GPT-5 98 →
BenchLM
HumanEval
HumanEval es el benchmark de generación de código de OpenAI: 164 problemas de programación escritos a mano que comprueban si un modelo puede producir una función correcta en Python a partir de un docstring. Las puntuaciones se dan como pass@1, la proporción de problemas resueltos al primer intento. Es uno de los benchmarks de código más antiguos y citados, aunque la programación real lo haya superado.
18 modelos clasificados · #1 GPT-5 100 →
BenchLM
SWE-Bench
SWE-Bench es el benchmark de código agéntico: le da al modelo un issue real de GitHub de un repositorio de código abierto y le pide un parche que supere los tests del proyecto. Con más de 2 000 tareas, mide si una IA puede navegar por bases de código desconocidas, entender informes de errores y enviar correcciones que realmente se fusionan. Es el proxy público más cercano a un ingeniero de software contratado.
18 modelos clasificados · #1 GPT-5 93 →
LiveBench
LiveBench
LiveBench es un benchmark resistente a la contaminación publicado de forma continua por Abacus AI, con nuevos conjuntos de preguntas lanzados según un calendario fijo para que los modelos no puedan entrenarse con respuestas filtradas. Puntúa 23 tareas objetivas en siete categorías — razonamiento, código, matemáticas, análisis de datos, lenguaje y más — donde cada respuesta es verificable por código, no por un juez de IA.
18 modelos clasificados · #1 GPT-5 99 →
BenchLM
Humanity's Last Exam
Humanity's Last Exam es el benchmark de conocimiento más difícil jamás creado: 2 500 preguntas escritas por más de 1 000 expertos en 100 materias, de matemáticas y física a derecho y lingüística. Diseñado por el Center for AI Safety y Scale AI como prueba de frontera, la mayoría de los mejores modelos aún puntúan por debajo del 20 %. Es la mejor medida disponible del techo del conocimiento de la IA.
18 modelos clasificados · #1 GPT-5 89 →
Hugging Face
MATH
El benchmark MATH es un conjunto de 5 000 problemas de matemáticas de nivel competitivo en 7 áreas, del álgebra y el conteo a la teoría de números y el precálculo. Prueba no solo el cálculo sino el razonamiento paso a paso, pues los problemas se puntúan solo por la respuesta final. Sigue siendo la señal estándar de lo bien que un modelo realmente piensa — más que de lo que memorizó.
18 modelos clasificados · #1 GPT-5 95 →
LMArena
Elo LMArena
LMArena (antes LMSYS Chatbot Arena) es el mayor ranking de preferencias humanas en IA. Millones de usuarios reales votan en batallas ciegas entre modelos, y los resultados alimentan un rating Elo de Bradley-Terry — el mismo sistema que conocen los ajedrecistas. Captura con qué modelos la gente realmente prefiere conversar, algo que ningún benchmark automático puede replicar por completo.
18 modelos clasificados · #1 GPT-5 100 →
AIRank agrega estos resultados de las fuentes públicas indicadas en cada página. No realizamos evaluaciones propias y normalizamos los resultados brutos a una escala de 0 a 100 para que las tablas sean comparables.