Página automatizada. Redactada y traducida automáticamente por IA y verificada con las fuentes mediante software; sin editor humano. SI-IQ es un índice elaborado a partir de resultados públicos de benchmarks, no una prueba de CI. Cómo funciona
GPQA Diamond: resultados de modelos de IA
GPQA Diamond es un benchmark de Conocimiento ejecutado por Epoch AI. En nuestros datos hay resultados publicados de 205 modelos.
Forma parte del índice SI-IQ (carga α = 0,75, nivel de azar 25 %).
- Evaluador
- Epoch AI
- Página principal del benchmark
- arxiv.org/abs/2311.12022
Resultados
| 1 | Gemini 4 Argon Google DeepMind | 96,4 % | 140137–143 | 9 |
| 2 | GPT-6 Astra OpenAI | 95,8 % | 150146–153 | 9 |
| 3 | Claude Sonnet 5.5 Anthropic | 95,6 % | 140137–143 | 9 |
| 4 | GPT-6.1 Sol OpenAI | 95,4 % | 148144–152 | 9 |
| 5 | Gemini 3.8 Flash Google DeepMind | 95,4 % | 130127–133 | 9 |
| 6 | Gemini 3.7 Flash Google DeepMind | 94,8 % | 131128–134 | 9 |
| 7 | GPT-5.4 Pro OpenAI | 94,6 % | 135131–138 | 5 resultados de menos de 2 evaluadores |
| 8 | Gemini 3.1 Pro Google DeepMind | 94,4 % | 127124–130 | 10 |
| 9 | GPT-6 Sol OpenAI | 94,3 % | 140137–144 | 9 |
| 10 | Gemini 3.6 Flash Google DeepMind | 94,1 % | 125122–128 | 9 |
| 11 | GPT-5.5 OpenAI | 94,0 % | 138135–141 | 10 |
| 12 | Grok 4.6 xAI | 94,0 % | 126123–129 | 9 |
| 13 | GPT-5.5 Pro OpenAI | 93,9 % | 139135–142 | 5 resultados de menos de 2 evaluadores |
| 14 | Claude Opus 5 Anthropic | 93,9 % | 136133–140 | 9 |
| 15 | GPT-5.6 Sol OpenAI | 93,5 % | 140137–143 | 9 |
| 16 | Grok 4.5 xAI | 93,4 % | 124121–127 | 6 resultados de menos de 2 evaluadores |
| 17 | GPT-5.6 Terra OpenAI | 93,3 % | 134131–137 | 9 |
| 18 | GPT-5.4 OpenAI | 93,3 % | 131128–133 | 10 |
| 19 | Kimi K3abierto Moonshot | 93,1 % | 127124–130 | 9 |
| 20 | Gemini 3.5 Flash Google DeepMind | 92,8 % | 126123–129 | 10 |
| 21 | Grok 4.7 xAI | 92,7 % | 123120–127 | 7 resultados de menos de 2 evaluadores |
| 22 | Qwen 3.8 Max Alibaba | 92,7 % | 130127–133 | 7 resultados de menos de 2 evaluadores |
| 23 | Gemini 3 Pro Google DeepMind | 92,6 % | 122115–130 | 4 resultados de menos de 5 benchmarks |
| 24 | Qwen3.8 Max (0902) Alibaba | 92,3 % | 127123–130 | 6 resultados de menos de 2 evaluadores |
| 25 | GLM-5.2abierto Z.ai (Zhipu AI) | 91,9 % | 121118–124 | 10 |
| 26 | DeepSeek V4 Pro 0813abierto DeepSeek | 91,7 % | 128125–131 | 9 |
| 27 | GPT-5.6 Luna OpenAI | 91,6 % | 130127–133 | 9 |
| 28 | GPT-5.2 OpenAI | 91,4 % | 125122–128 | 11 |
| 29 | Claude Opus 4.8 Anthropic | 91,0 % | 132129–135 | 9 |
| 30 | DeepSeek V4 Flash 0731abierto DeepSeek | 91,0 % | 124121–127 | 9 |
| 31 | DeepSeek-V4-Proabierto DeepSeek | 90,9 % | 117113–120 | 10 |
| 32 | GLM-5.3abierto Z.ai (Zhipu AI) | 90,9 % | 125122–128 | 9 |
| 33 | MiniMax-M3abierto MiniMax | 90,9 % | 108102–114 | 6 |
| 34 | Qwen3.7-Max Alibaba | 90,9 % | 125122–128 | 10 |
| 35 | Kimi K2.6abierto Moonshot | 90,8 % | 121118–124 | 10 |
| 36 | Claude Opus 5.5 Anthropic | 90,6 % | 144141–148 | 9 |
| 37 | Claude Opus 4.6 Anthropic | 90,5 % | 123120–126 | 10 |
| 38 | Claude Sonnet 5 Anthropic | 90,5 % | 126123–129 | 9 |
| 39 | GPT-6 Luna OpenAI | 90,5 % | 130127–133 | 9 |
| 40 | Claude Opus 4.7 Anthropic | 90,2 % | 127124–130 | 10 |
| 41 | GLM-5.3-Flashabierto Z.ai (Zhipu AI) | 90,2 % | 120117–124 | 8 |
| 42 | GLM-5.1abierto Z.ai (Zhipu AI) | 89,9 % | 116112–120 | 8 |
| 43 | DeepSeek V4.1 Flashabierto DeepSeek | 89,8 % | 128125–131 | 9 |
| 44 | Muse Spark Meta AI | 89,8 % | 118110–126 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 45 | Claude Haiku 5.5 Anthropic | 89,6 % | 129126–132 | 9 |
| 46 | Gemini 3 Flash Google DeepMind | 89,4 % | 122119–125 | 10 |
| 47 | Grok 4.3 Beta xAI | 88,8 % | 117114–121 | 6 resultados de menos de 2 evaluadores |
| 48 | Muse Spark Openabierto Meta AI | 88,6 % | 127124–130 | 7 |
| 49 | Inkling-Smallabierto Thinking Machines | 88,5 % | 118115–122 | 8 |
| 50 | Qwen 3.6 Plus Alibaba | 88,4 % | 113109–117 | 7 resultados de menos de 2 evaluadores |
| 51 | Inklingabierto Thinking Machines | 88,3 % | 114110–117 | 8 |
| 52 | Mistral Large 4 Mistral AI | 88,1 % | 122119–125 | 7 resultados de menos de 2 evaluadores |
| 53 | Kimi K2.7 Codeabierto Moonshot | 87,9 % | 118115–122 | 8 |
| 54 | Qwen3.7-Plus Alibaba | 87,9 % | 115110–119 | 6 |
| 55 | GLM-5abierto Z.ai (Zhipu AI) | 87,8 % | 112105–118 | 5 resultados de menos de 5 benchmarks |
| 56 | GPT-5.1 OpenAI | 87,6 % | 120115–125 | 8 |
| 57 | Kimi K2.5abierto Moonshot | 87,6 % | 119112–125 | 6 |
| 58 | Claude Sonnet 4.6 Anthropic | 87,4 % | 113108–118 | 8 |
| 59 | Qwen 3.6 Max (Preview) Alibaba | 87,4 % | 118112–124 | 5 resultados de menos de 2 evaluadores |
| 60 | Grok 4 xAI | 87,0 % | 114107–120 | 4 resultados de menos de 5 benchmarks |
| 61 | GPT-5.4 Mini OpenAI | 86,9 % | 117113–120 | 9 |
| 62 | Qwen3.5 397B-A17Babierto Alibaba | 86,4 % | 114109–118 | 6 |
| 63 | GPT-5 OpenAI | 86,2 % | 121118–124 | 12 |
| 64 | Claude Opus 4.5 Anthropic | 86,0 % | 115111–118 | 11 |
| 65 | Claude Fable 5 Anthropic | 85,9 % | 138134–141 | 9 |
| 66 | Qwen3.6 27Babierto Alibaba | 85,9 % | 115110–119 | 6 |
| 67 | Nemotron 3 Ultraabierto Nvidia | 85,4 % | 114108–120 | 4 resultados de menos de 5 benchmarks |
| 68 | Gemini 2.5 Pro (Jun 2025) Google DeepMind | 85,3 % | 108104–112 | 8 |
| 69 | Qwen 3.5 Plus (hosted 397B-A17B) Alibaba | 84,8 % | 109103–115 | 5 resultados de menos de 2 evaluadores |
| 70 | Qwen 3.6 35B-A3Babierto Alibaba | 84,8 % | 111107–115 | 6 |
| 71 | Gemini 2.5 Pro (Mar 2025) Google DeepMind | 83,8 % | 108102–113 | 3 resultados de menos de 5 benchmarks |
| 72 | Qwen3.5-35B-A3Babierto Alibaba | 83,5 % | 106100–112 | 4 resultados de menos de 5 benchmarks |
| 73 | GLM-4.7abierto Z.ai (Zhipu AI) | 83,3 % | 112107–118 | 6 |
| 74 | Gemini 3.5 Flash-Lite Google DeepMind | 83,3 % | 109106–113 | 8 |
| 75 | Qwen 3.6 Flash Alibaba | 83,3 % | 107103–111 | 6 resultados de menos de 2 evaluadores |
| 76 | GPT-5.5 Instant OpenAI | 82,5 % | 107103–111 | 4 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 77 | Claude Sonnet 4.5 Anthropic | 82,3 % | 110107–113 | 12 |
| 78 | Qwen 3.5 Flash (hosted 35B-A3B) Alibaba | 82,3 % | 107103–111 | 6 resultados de menos de 2 evaluadores |
| 79 | Qwen3.7 Flash Alibaba | 82,3 % | 107103–112 | 4 resultados de menos de 5 benchmarks; resultados de menos de 2 evaluadores |
| 80 | Gemini 3.1 Flash-Lite Google | 81,8 % | 109105–114 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 81 | o3 OpenAI | 81,8 % | 116113–119 | 10 |
| 82 | Qwen3-235B-A22B-Thinking (Jul 2025)abierto Alibaba | 80,1 % | 111105–118 | 6 |
| 83 | Claude 3.7 Sonnet Anthropic | 79,7 % | 9995–103 | 5 |
| 84 | o4-mini OpenAI | 79,6 % | 112109–115 | 10 |
| 85 | Claude Sonnet 4 Anthropic | 79,2 % | 9793–101 | 6 |
| 86 | Qwen3.5-9Babierto Alibaba | 79,0 % | 10195–107 | 4 resultados de menos de 5 benchmarks |
| 87 | GPT-5.4 Nano OpenAI | 78,5 % | 118115–121 | 9 |
| 88 | Claude Opus 4.1 Anthropic | 77,3 % | 105102–109 | 6 resultados de menos de 2 evaluadores |
| 89 | o3-mini OpenAI | 77,0 % | 105101–108 | 9 |
| 90 | o1 OpenAI | 76,8 % | 10399–106 | 6 resultados de menos de 2 evaluadores |
| 91 | DeepSeek-R1 (May 2025)abierto DeepSeek | 76,3 % | 104100–109 | 5 resultados de menos de 5 benchmarks |
| 92 | Claude Opus 4 Anthropic | 76,3 % | 9893–102 | 5 |
| 93 | Grok-3 mini xAI | 76,3 % | 10095–105 | 4 resultados de menos de 5 benchmarks |
| 94 | Gemma 4 31B ITabierto Google DeepMind | 75,8 % | 10498–110 | 5 resultados de menos de 5 benchmarks |
| 95 | Grok 3 xAI | 75,8 % | 9691–100 | 4 resultados de menos de 5 benchmarks |
| 96 | gpt-oss-120babierto OpenAI | 75,8 % | 10699–112 | 6 |
| 97 | GPT-5 mini OpenAI | 75,0 % | 115112–118 | 12 |
| 98 | Gemma 4 26B A4Babierto Google DeepMind | 73,2 % | 106100–112 | 4 resultados de menos de 5 benchmarks |
| 99 | Qwen3-Max Alibaba | 72,6 % | 106103–110 | 6 resultados de menos de 2 evaluadores |
| 100 | DeepSeek-R1abierto DeepSeek | 71,7 % | 9893–102 | 4 resultados de menos de 5 benchmarks |
| 101 | seed-oss-36b-instruct — | 71,5 % | 9993–106 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 102 | Claude Haiku 4.5 Anthropic | 71,2 % | 10499–108 | 8 |
| 103 | Qwen3-235B-A22Babierto Alibaba | 70,7 % | 8580–91 | 3 resultados de menos de 5 benchmarks |
| 104 | Qwen3-30B-A3B-Thinking (Jul 2025)abierto Alibaba | 70,1 % | 10093–106 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 105 | GPT-5 nano OpenAI | 69,4 % | 105102–109 | 11 |
| 106 | GPT-4.5 OpenAI | 68,7 % | 8783–92 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 107 | DeepSeek-V3 (Mar 2025)abierto DeepSeek | 67,6 % | 8581–90 | 5 resultados de menos de 5 benchmarks |
| 108 | Llama 4 Maverickabierto Meta AI | 67,0 % | 8177–85 | 7 |
| 109 | GPT-4.1 OpenAI | 66,9 % | 9187–94 | 11 |
| 110 | Gemini 2.5 Pro (May 2025) Google DeepMind | 66,7 % | 10498–110 | 3 resultados de menos de 5 benchmarks |
| 111 | GPT-4.1 mini OpenAI | 65,8 % | 9188–95 | 11 |
| 112 | Qwen3-32Babierto Alibaba | 65,7 % | 9589–100 | 6 |
| 113 | Gemini 2.0 Pro Google DeepMind | 65,7 % | 8983–94 | 3 resultados de menos de 5 benchmarks |
| 114 | QWQ-Plus Alibaba | 65,4 % | 9079–102 | 1 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 115 | QwQ-32Babierto Alibaba | 65,3 % | 9286–98 | 3 resultados de menos de 5 benchmarks |
| 116 | DeepSeek-R1-Distill-Qwen-32Babierto DeepSeek | 64,1 % | 9387–100 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 117 | Gemini 2.0 Flash (Feb 2025) Google DeepMind, Google | 64,1 % | 8782–91 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 118 | Qwen3-14Babierto Alibaba | 63,8 % | 9387–99 | 5 resultados de menos de 5 benchmarks |
| 119 | o1-mini OpenAI | 62,4 % | 9287–96 | 4 resultados de menos de 5 benchmarks |
| 120 | Qwen3-30B-A3Babierto Alibaba | 61,7 % | 9488–100 | 4 resultados de menos de 5 benchmarks |
| 121 | gpt-oss-20babierto OpenAI | 60,8 % | 9589–101 | 4 resultados de menos de 5 benchmarks |
| 122 | glm-4.7-flash — | 60,5 % | 9488–100 | 4 resultados de menos de 5 benchmarks |
| 123 | Mistral Medium 3 Mistral AI | 59,5 % | 8681–90 | 4 resultados de menos de 5 benchmarks |
| 124 | Gemini 1.5 Pro (Sept 2024) Google DeepMind | 57,2 % | 8075–85 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 125 | Gemini 2.0 Flash Thinking (Jan 2025) Google DeepMind, Google | 57,1 % | 8983–95 | 3 resultados de menos de 5 benchmarks |
| 126 | Qwen3-8Babierto Alibaba | 56,8 % | 9184–97 | 3 resultados de menos de 5 benchmarks |
| 127 | DeepSeek-V3abierto DeepSeek | 56,5 % | 7773–82 | 5 resultados de menos de 5 benchmarks |
| 128 | Qwen2.5-Max Alibaba | 56,1 % | 7873–82 | 4 resultados de menos de 5 benchmarks |
| 129 | Magistral Small 1.0abierto Mistral AI | 56,1 % | 8376–89 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 130 | Phi-4abierto Microsoft Research | 56,1 % | 7671–81 | 4 resultados de menos de 5 benchmarks |
| 131 | DeepSeek-R1-Distill-Llama-70Babierto DeepSeek | 55,7 % | 9288–97 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 132 | Qwen3-30B-A3B-Instruct (Jul 2025)abierto Alibaba | 55,6 % | 9186–97 | 5 resultados de menos de 5 benchmarks |
| 133 | Claude 3.5 Sonnet (October 2024) Anthropic | 55,3 % | 7671–80 | 4 resultados de menos de 5 benchmarks |
| 134 | Claude 3.5 Sonnet Anthropic | 54,0 % | 7166–76 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 135 | Grok-2 (Dec 2024) xAI | 53,8 % | 7570–80 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 136 | Qwen3-4Babierto Alibaba | 52,3 % | 7765–89 | 1 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 137 | Llama 4 Scoutabierto Meta AI | 51,8 % | 7368–78 | 4 resultados de menos de 5 benchmarks |
| 138 | Mistral Large 2 (Nov 2024)abierto Mistral AI | 51,3 % | 7166–76 | 4 resultados de menos de 5 benchmarks |
| 139 | Llama 3.1-405Babierto Meta AI | 50,9 % | 7065–75 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 140 | o1-preview OpenAI | 50,3 % | 8480–89 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 141 | GPT-4o (Aug 2024) OpenAI | 49,2 % | 7368–77 | 9 |
| 142 | Qwen2.5-72Babierto Alibaba | 49,1 % | 7268–77 | 5 resultados de menos de 5 benchmarks |
| 143 | Mistral Small 3.2abierto Mistral AI | 49,1 % | 8074–87 | 3 resultados de menos de 5 benchmarks |
| 144 | Mistral Large 2 (Jul 2024)abierto Mistral AI | 49,0 % | 6863–73 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 145 | GPT-4.1 nano OpenAI | 48,9 % | 7672–80 | 9 |
| 146 | GPT-4o (May 2024) OpenAI | 48,9 % | 7066–75 | 5 resultados de menos de 5 benchmarks |
| 147 | Qwen Plus (Jan 2025) Alibaba | 48,1 % | 7671–81 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 148 | GPT-4o (Nov 2024) OpenAI | 47,9 % | 6964–73 | 5 |
| 149 | Gemma 3 27Babierto Google DeepMind | 47,7 % | 7772–81 | 5 |
| 150 | Magistral Small 1.2abierto Mistral AI | 47,6 % | 7972–86 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 151 | Mistral Small 3.1abierto Mistral AI | 47,5 % | 6863–73 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 152 | Llama 3.3 70Babierto Meta AI | 47,4 % | 6661–71 | 6 |
| 153 | Gemini 1.5 Flash (Sep 2024) Google DeepMind | 47,3 % | 7470–79 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 154 | Mistral Small 3abierto Mistral AI | 47,3 % | 6762–72 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 155 | Claude 3 Opus Anthropic | 47,2 % | 6560–70 | 5 resultados de menos de 2 evaluadores |
| 156 | GPT-4 Turbo (Apr 2024) OpenAI | 46,6 % | 6864–73 | 4 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 157 | Qwen2.5-32Babierto Alibaba | 46,1 % | 7166–76 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 158 | Gemini 1.5 Pro (May 2024) Google DeepMind | 45,9 % | 6661–71 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 159 | qwen3-4b-instruct-2507 — | 45,8 % | 8579–92 | 3 resultados de menos de 5 benchmarks |
| 160 | glm-4.7-flash_none — | 45,1 % | 7770–84 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 161 | DeepSeek-R1-Distill-Qwen-14Babierto DeepSeek | 44,7 % | 8984–93 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 162 | Llama 3.1-70Babierto Meta AI | 44,2 % | 6358–68 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 163 | WizardLM-2 8x22Babierto Microsoft | 43,4 % | 5953–64 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 164 | Qwen-Turbo Alibaba | 41,8 % | 6964–75 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 165 | Qwen2-72Babierto Alibaba | 40,8 % | 6458–69 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 166 | Claude 3 Sonnet Anthropic | 40,6 % | 5449–59 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 167 | Llama 3-70Babierto Meta AI | 40,6 % | 5752–62 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 168 | Gemini 1.5 Flash (May 2024) Google DeepMind | 40,4 % | 5853–63 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 169 | Gemma 3 12Babierto Google DeepMind | 39,5 % | 7366–79 | 5 resultados de menos de 5 benchmarks |
| 170 | Mistral Large Mistral AI | 38,8 % | 5651–62 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 171 | Claude 3.5 Haiku Anthropic | 38,1 % | 6762–72 | 4 resultados de menos de 5 benchmarks |
| 172 | Qwen3-1.7Babierto Alibaba | 38,0 % | 6557–73 | 3 resultados de menos de 5 benchmarks |
| 173 | GPT-4o mini OpenAI | 37,7 % | 6864–73 | 10 |
| 174 | Hermes 2 Theta Llama-3 70Babierto Nous Research, Arcee AI | 37,5 % | 5550–61 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 175 | Gemma 2 27Babierto Google DeepMind | 36,5 % | 5752–63 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 176 | Claude 3 Haiku Anthropic | 36,3 % | 5045–56 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 177 | GPT-4 (Mar 2023) OpenAI | 35,7 % | 5240–65 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 178 | Qwen2.5-7Babierto Alibaba | 35,5 % | 5141–60 | 4 resultados de menos de 5 benchmarks |
| 179 | Claude 2 Anthropic | 34,7 % | 4842–53 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 180 | Mixtral 8x22Babierto Mistral AI | 34,1 % | 5549–61 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 181 | Gemini 1.0 Pro Google DeepMind | 34,0 % | 4640–52 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 182 | Eurus-2-7B-PRIMEabierto Tsinghua University, University of Illinois Urbana-Champaign (UIUC), Shanghai AI Lab, Peking University, Shanghai Jiao Tong University, CUHK Shenzhen Research Institute | 33,9 % | 5135–67 | 1 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 183 | DeepSeek-R1-Distill-Qwen-1.5Babierto DeepSeek | 33,6 % | 7365–80 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 184 | Claude 2.1 Anthropic | 33,0 % | 5240–64 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 185 | Gemini 1.5 Flash 8B Google DeepMind | 33,0 % | 5747–67 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 186 | DBRXabierto Databricks | 32,9 % | 4640–52 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 187 | GPT-4 (Jun 2023) OpenAI | 30,7 % | 5751–63 | 4 resultados de menos de 5 benchmarks; resultados de menos de 2 evaluadores |
| 188 | Mixtral 8x7Babierto Mistral AI | 30,6 % | 4337–49 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 189 | Mistral NeMoabierto Mistral AI | 29,9 % | 4741–53 | 3 resultados de menos de 5 benchmarks |
| 190 | granite-4.0-micro — | 28,3 % | 5441–67 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 191 | GPT-3.5 Turbo (Nov 2023) OpenAI | 28,0 % | 4943–55 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 192 | phi-3-medium 14Babierto Microsoft | 27,6 % | 5145–57 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 193 | Gemma 2 9Babierto Google DeepMind | 27,5 % | 5347–59 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 194 | GPT-3.5 Turbo (Jan 2024) OpenAI | 27,2 % | 4742–53 | 5 resultados de menos de 2 evaluadores |
| 195 | Ministral 8Babierto Mistral AI | 27,1 % | 4741–53 | 3 resultados de menos de 5 benchmarks |
| 196 | Llama 3.1-8Babierto Meta AI | 27,0 % | 5549–60 | 4 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas |
| 197 | Llama 3-8Babierto Meta AI | 26,1 % | 4034–46 | 3 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 198 | Ministral 3B Mistral AI | 25,3 % | 4943–55 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 199 | granite-4.0-1b — | 24,0 % | 5537–74 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 200 | Llama 3.2 1Babierto Meta AI | 23,9 % | 4227–58 | 3 resultados de menos de 5 benchmarks |
| 201 | Gemma 3 4Babierto Google DeepMind | 23,2 % | 6353–73 | 4 resultados de menos de 5 benchmarks |
| 202 | Gemma 3 1Babierto Google DeepMind | 19,9 % | 4025–55 | 3 resultados de menos de 5 benchmarks |
| 203 | Mistral 7B v0.3abierto Mistral AI | 15,2 % | 5434–75 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
| 204 | granite-4.0-350m — | 11,2 % | 5337–68 | 3 resultados de menos de 5 benchmarks |
| 205 | deepseek-r1-0528-qwen3-8b — | 9,3 % | 9083–98 | 2 resultados de menos de 5 benchmarks; resultados en menos de 3 áreas; resultados de menos de 2 evaluadores |
Fuentes de datos: Aider polyglot leaderboard data (Apache-2.0); Arena leaderboard dataset on Hugging Face (CC BY 4.0); Berkeley Function Calling Leaderboard, Gorilla project (Apache-2.0); Epoch AI, ‘Capabilities & benchmarking’ (CC BY 4.0); LiteLLM, model_prices_and_context_window.json (MIT); Source: OpenRouter (openrouter.ai), licensed under CC BY 4.0: reuse and republish with attribution to OpenRouter (licencias y cambios).