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
OTIS Mock AIME 2024–2025: resultados de modelos de IA
OTIS Mock AIME 2024–2025 es un benchmark de Matemáticas ejecutado por Epoch AI. En nuestros datos hay resultados publicados de 193 modelos.
Forma parte del índice SI-IQ (carga α = 1,38, nivel de azar 0 %).
- Evaluador
- Epoch AI
- Página principal del benchmark
- epoch.ai/benchmarks/otis-mock-aime-2024-2025
Resultados
| 1 | Claude Fable 5 Anthropic | 100,0 % | 138134–141 | 9 |
| 2 | Claude Fable 5.1 Anthropic | 100,0 % | 140136–143 | 8 |
| 3 | Claude Opus 5.5 Anthropic | 100,0 % | 144141–148 | 9 |
| 4 | Claude Sonnet 5.5 Anthropic | 100,0 % | 140137–143 | 9 |
| 5 | GPT-5.5 OpenAI | 100,0 % | 138135–141 | 10 |
| 6 | GPT-5.5 Pro OpenAI | 100,0 % | 139135–142 | 5 datos insuficientes |
| 7 | GPT-5.6 Sol OpenAI | 100,0 % | 140137–143 | 9 |
| 8 | GPT-6 Astra OpenAI | 100,0 % | 150146–153 | 9 |
| 9 | GPT-6 Sol OpenAI | 100,0 % | 140137–144 | 9 |
| 10 | GPT-6.1 Sol OpenAI | 100,0 % | 148144–152 | 9 |
| 11 | Gemini 4 Argon Google DeepMind | 100,0 % | 140137–143 | 9 |
| 12 | Qwen3.8 Max (0902) Alibaba | 100,0 % | 127123–130 | 6 datos insuficientes |
| 13 | GPT-5.6 Terra OpenAI | 99,7 % | 134131–137 | 9 |
| 14 | Muse Wonder Meta AI | 99,4 % | 136133–139 | 4 datos insuficientes |
| 15 | Qwen 3.8 Max Alibaba | 99,4 % | 130127–133 | 7 datos insuficientes |
| 16 | Grok 4.6 xAI | 99,2 % | 126123–129 | 9 |
| 17 | Muse Spark 1.3 Meta AI | 99,2 % | 128125–131 | 5 datos insuficientes |
| 18 | Claude Haiku 5.5 Anthropic | 98,9 % | 129126–132 | 9 |
| 19 | Claude Opus 5 Anthropic | 98,9 % | 136133–140 | 9 |
| 20 | GPT-6 Luna OpenAI | 98,9 % | 130127–133 | 9 |
| 21 | Gemini 3.8 Flash Google DeepMind | 98,9 % | 130127–133 | 9 |
| 22 | DeepSeek V4 Pro 0813abierto DeepSeek | 98,6 % | 128125–131 | 9 |
| 23 | Claude Opus 4.8 Anthropic | 98,3 % | 132129–135 | 9 |
| 24 | DeepSeek V4.1 Flashabierto DeepSeek | 98,3 % | 128125–131 | 9 |
| 25 | GPT-5.6 Luna OpenAI | 98,3 % | 130127–133 | 9 |
| 26 | Mistral Large 4 Mistral AI | 98,3 % | 122119–125 | 7 datos insuficientes |
| 27 | Grok 4.7 xAI | 98,1 % | 123120–127 | 7 datos insuficientes |
| 28 | Muse Spark Openabierto Meta AI | 98,1 % | 127124–130 | 7 |
| 29 | Claude Opus 4.7 Anthropic | 97,8 % | 127124–130 | 10 |
| 30 | GPT-5.4 OpenAI | 97,8 % | 131128–133 | 10 |
| 31 | Grok 4.5 xAI | 97,8 % | 124121–127 | 6 datos insuficientes |
| 32 | Gemini 3.7 Flash Google DeepMind | 97,2 % | 131128–134 | 9 |
| 33 | Kimi K3abierto Moonshot | 97,2 % | 127124–130 | 9 |
| 34 | DeepSeek-V4-Proabierto DeepSeek | 96,7 % | 117113–120 | 10 |
| 35 | GPT-5.2 OpenAI | 96,1 % | 125122–128 | 11 |
| 36 | Kimi K2.6abierto Moonshot | 96,1 % | 121118–124 | 10 |
| 37 | Gemini 3.1 Pro Google DeepMind | 95,6 % | 127124–130 | 10 |
| 38 | Gemini 3 Flash Google DeepMind | 95,6 % | 122119–125 | 10 |
| 39 | Gemini 3.5 Flash Google DeepMind | 95,6 % | 126123–129 | 10 |
| 40 | Kimi K2.7 Codeabierto Moonshot | 95,6 % | 118115–122 | 8 |
| 41 | Qwen3.7-Max Alibaba | 95,6 % | 125122–128 | 10 |
| 42 | Claude Sonnet 5 Anthropic | 94,7 % | 126123–129 | 9 |
| 43 | Claude Opus 4.6 Anthropic | 94,4 % | 123120–126 | 10 |
| 44 | DeepSeek V4 Flash 0731abierto DeepSeek | 94,4 % | 124121–127 | 9 |
| 45 | Gemini 3.6 Flash Google DeepMind | 94,2 % | 125122–128 | 9 |
| 46 | GLM-5.3-Flashabierto Z.ai (Zhipu AI) | 93,9 % | 120117–124 | 8 |
| 47 | GLM-5.1abierto Z.ai (Zhipu AI) | 93,3 % | 116112–120 | 8 |
| 48 | Grok 4.3 Beta xAI | 93,3 % | 117114–121 | 6 datos insuficientes |
| 49 | Qwen 3.6 Plus Alibaba | 93,3 % | 113109–117 | 7 datos insuficientes |
| 50 | Qwen3.7-Plus Alibaba | 93,3 % | 115110–119 | 6 |
| 51 | Kimi K2.5abierto Moonshot | 92,2 % | 119112–125 | 6 |
| 52 | GPT-5 OpenAI | 91,4 % | 121118–124 | 12 |
| 53 | Gemini 3 Pro Google DeepMind | 91,4 % | 122115–130 | 4 datos insuficientes |
| 54 | GLM-5.3abierto Z.ai (Zhipu AI) | 91,1 % | 125122–128 | 9 |
| 55 | Qwen 3.6 Max (Preview) Alibaba | 91,1 % | 118112–124 | 5 datos insuficientes |
| 56 | Qwen3.6 27Babierto Alibaba | 91,1 % | 115110–119 | 6 |
| 57 | Inkling-Smallabierto Thinking Machines | 90,0 % | 118115–122 | 8 |
| 58 | Muse Spark Meta AI | 88,9 % | 118110–126 | 2 datos insuficientes |
| 59 | GPT-5.4 Mini OpenAI | 88,9 % | 117113–120 | 9 |
| 60 | Inklingabierto Thinking Machines | 88,9 % | 114110–117 | 8 |
| 61 | Qwen3.5 397B-A17Babierto Alibaba | 88,9 % | 114109–118 | 6 |
| 62 | gpt-oss-120babierto OpenAI | 88,9 % | 10699–112 | 6 |
| 63 | GPT-5.1 OpenAI | 88,6 % | 120115–125 | 8 |
| 64 | GPT-5.4 Nano OpenAI | 87,8 % | 118115–121 | 9 |
| 65 | GPT-5 mini OpenAI | 86,7 % | 115112–118 | 12 |
| 66 | Nemotron 3 Ultraabierto Nvidia | 86,7 % | 114108–120 | 4 datos insuficientes |
| 67 | Qwen 3.5 Plus (hosted 397B-A17B) Alibaba | 86,7 % | 109103–115 | 5 datos insuficientes |
| 68 | Qwen 3.6 35B-A3Babierto Alibaba | 86,7 % | 111107–115 | 6 |
| 69 | Qwen3-235B-A22B-Thinking (Jul 2025)abierto Alibaba | 86,7 % | 111105–118 | 6 |
| 70 | Qwen3.7 Flash Alibaba | 86,7 % | 107103–112 | 4 datos insuficientes |
| 71 | GLM-5.2abierto Z.ai (Zhipu AI) | 86,4 % | 121118–124 | 10 |
| 72 | Claude Opus 4.5 Anthropic | 86,1 % | 115111–118 | 11 |
| 73 | Claude Sonnet 4.6 Anthropic | 85,8 % | 113108–118 | 8 |
| 74 | Gemini 2.5 Pro (Jun 2025) Google DeepMind | 84,7 % | 108104–112 | 8 |
| 75 | Qwen 3.5 Flash (hosted 35B-A3B) Alibaba | 84,4 % | 107103–111 | 6 datos insuficientes |
| 76 | Qwen 3.6 Flash Alibaba | 84,4 % | 107103–111 | 6 datos insuficientes |
| 77 | o3 OpenAI | 84,4 % | 116113–119 | 10 |
| 78 | Grok 4 xAI | 84,0 % | 114107–120 | 4 datos insuficientes |
| 79 | GLM-4.7abierto Z.ai (Zhipu AI) | 83,3 % | 112107–118 | 6 |
| 80 | Gemma 4 26B A4Babierto Google DeepMind | 82,2 % | 106100–112 | 4 datos insuficientes |
| 81 | o4-mini OpenAI | 81,7 % | 112109–115 | 10 |
| 82 | GPT-5 nano OpenAI | 81,1 % | 105102–109 | 11 |
| 83 | GLM-5abierto Z.ai (Zhipu AI) | 80,0 % | 112105–118 | 5 datos insuficientes |
| 84 | Gemini 3.1 Flash-Lite Google | 80,0 % | 109105–114 | 3 datos insuficientes |
| 85 | Claude Sonnet 4.5 Anthropic | 77,8 % | 110107–113 | 12 |
| 86 | Grok-3 mini xAI | 77,8 % | 10095–105 | 4 datos insuficientes |
| 87 | o3-mini OpenAI | 76,9 % | 105101–108 | 9 |
| 88 | Gemma 4 31B ITabierto Google DeepMind | 73,3 % | 10498–110 | 5 datos insuficientes |
| 89 | Qwen3-Max Alibaba | 73,3 % | 106103–110 | 6 datos insuficientes |
| 90 | o1 OpenAI | 73,3 % | 10399–106 | 6 datos insuficientes |
| 91 | Gemini 2.5 Flash (Apr 2025) Google DeepMind | 73,1 % | 10194–108 | 2 datos insuficientes |
| 92 | Claude Sonnet 4 Anthropic | 71,1 % | 9793–101 | 6 |
| 93 | Gemini 3.5 Flash-Lite Google DeepMind | 71,1 % | 109106–113 | 8 |
| 94 | MiniMax-M3abierto MiniMax | 71,1 % | 108102–114 | 6 |
| 95 | Gemini 2.5 Flash (May 2025) Google DeepMind | 70,8 % | 10294–109 | 2 datos insuficientes |
| 96 | Qwen3-30B-A3B-Thinking (Jul 2025)abierto Alibaba | 70,3 % | 10093–106 | 2 datos insuficientes |
| 97 | Qwen3.5-35B-A3Babierto Alibaba | 70,0 % | 106100–112 | 4 datos insuficientes |
| 98 | Claude Opus 4.1 Anthropic | 68,9 % | 105102–109 | 6 datos insuficientes |
| 99 | GPT-5.5 Instant OpenAI | 68,1 % | 107103–111 | 4 datos insuficientes |
| 100 | seed-oss-36b-instruct — | 67,5 % | 9993–106 | 2 datos insuficientes |
| 101 | Qwen3-32Babierto Alibaba | 66,9 % | 9589–100 | 6 |
| 102 | Claude Haiku 4.5 Anthropic | 66,7 % | 10499–108 | 8 |
| 103 | DeepSeek-R1 (May 2025)abierto DeepSeek | 66,4 % | 104100–109 | 5 datos insuficientes |
| 104 | Qwen3-14Babierto Alibaba | 66,4 % | 9387–99 | 5 datos insuficientes |
| 105 | gpt-oss-20babierto OpenAI | 65,3 % | 9589–101 | 4 datos insuficientes |
| 106 | Claude Opus 4 Anthropic | 64,4 % | 9893–102 | 5 |
| 107 | Qwen3-30B-A3Babierto Alibaba | 62,8 % | 9488–100 | 4 datos insuficientes |
| 108 | Qwen3-30B-A3B-Instruct (Jul 2025)abierto Alibaba | 62,2 % | 9186–97 | 5 datos insuficientes |
| 109 | Qwen3.5-9Babierto Alibaba | 61,7 % | 10195–107 | 4 datos insuficientes |
| 110 | QwQ-32Babierto Alibaba | 59,2 % | 9286–98 | 3 datos insuficientes |
| 111 | glm-4.7-flash — | 58,3 % | 9488–100 | 4 datos insuficientes |
| 112 | Claude 3.7 Sonnet Anthropic | 57,8 % | 9995–103 | 5 |
| 113 | Gemini 2.0 Flash Thinking (Jan 2025) Google DeepMind, Google | 57,8 % | 8983–95 | 3 datos insuficientes |
| 114 | Qwen3-8Babierto Alibaba | 56,1 % | 9184–97 | 3 datos insuficientes |
| 115 | Qwen3.5-4Babierto Alibaba | 55,8 % | 9688–103 | 1 datos insuficientes |
| 116 | DeepSeek-R1-Distill-Qwen-32Babierto DeepSeek | 55,6 % | 9387–100 | 2 datos insuficientes |
| 117 | Grok 3 xAI | 55,6 % | 9691–100 | 4 datos insuficientes |
| 118 | DeepSeek-R1abierto DeepSeek | 53,3 % | 9893–102 | 4 datos insuficientes |
| 119 | qwen3-4b-instruct-2507 — | 52,2 % | 8579–92 | 3 datos insuficientes |
| 120 | DeepSeek-R1-Distill-Llama-70Babierto DeepSeek | 51,4 % | 9288–97 | 3 datos insuficientes |
| 121 | DeepSeek-R1-Distill-Qwen-14Babierto DeepSeek | 50,6 % | 8984–93 | 3 datos insuficientes |
| 122 | o1-mini OpenAI | 46,9 % | 9287–96 | 4 datos insuficientes |
| 123 | GPT-4.1 mini OpenAI | 44,7 % | 9188–95 | 11 |
| 124 | deepseek-r1-0528-qwen3-8b — | 43,9 % | 9083–98 | 2 datos insuficientes |
| 125 | GPT-4.1 OpenAI | 38,3 % | 9187–94 | 11 |
| 126 | DeepSeek-V3 (Mar 2025)abierto DeepSeek | 37,8 % | 8581–90 | 5 datos insuficientes |
| 127 | GPT-4.5 OpenAI | 37,8 % | 8783–92 | 3 datos insuficientes |
| 128 | Mistral Medium 3 Mistral AI | 32,2 % | 8681–90 | 4 datos insuficientes |
| 129 | Gemini 2.0 Flash (Feb 2025) Google DeepMind, Google | 31,1 % | 8782–91 | 3 datos insuficientes |
| 130 | o1-preview OpenAI | 31,1 % | 8480–89 | 3 datos insuficientes |
| 131 | Mistral Small 3.2abierto Mistral AI | 30,3 % | 8074–87 | 3 datos insuficientes |
| 132 | Magistral Small 1.0abierto Mistral AI | 30,0 % | 8376–89 | 2 datos insuficientes |
| 133 | GPT-4.1 nano OpenAI | 28,9 % | 7672–80 | 9 |
| 134 | Magistral Small 1.2abierto Mistral AI | 28,1 % | 7972–86 | 2 datos insuficientes |
| 135 | glm-4.7-flash_none — | 25,0 % | 7770–84 | 2 datos insuficientes |
| 136 | Gemini 1.5 Pro (Sept 2024) Google DeepMind | 23,1 % | 8075–85 | 3 datos insuficientes |
| 137 | Gemma 3 27Babierto Google DeepMind | 22,5 % | 7772–81 | 5 |
| 138 | DeepSeek-R1-Distill-Qwen-1.5Babierto DeepSeek | 21,4 % | 7365–80 | 2 datos insuficientes |
| 139 | Llama 4 Maverickabierto Meta AI | 20,6 % | 8177–85 | 7 |
| 140 | Qwen Plus (Jan 2025) Alibaba | 17,8 % | 7671–81 | 3 datos insuficientes |
| 141 | Gemma 3 12Babierto Google DeepMind | 16,7 % | 7366–79 | 5 datos insuficientes |
| 142 | Gemini 1.5 Flash (Sep 2024) Google DeepMind | 16,2 % | 7470–79 | 3 datos insuficientes |
| 143 | Qwen2.5-Max Alibaba | 16,1 % | 7873–82 | 4 datos insuficientes |
| 144 | DeepSeek-V3abierto DeepSeek | 15,8 % | 7773–82 | 5 datos insuficientes |
| 145 | Phi-4abierto Microsoft Research | 13,8 % | 7671–81 | 4 datos insuficientes |
| 146 | Grok-2 (Dec 2024) xAI | 11,5 % | 7570–80 | 3 datos insuficientes |
| 147 | Llama 3.1-405Babierto Meta AI | 9,7 % | 7065–75 | 3 datos insuficientes |
| 148 | Claude 3.5 Sonnet (October 2024) Anthropic | 8,5 % | 7671–80 | 4 datos insuficientes |
| 149 | Mistral Large 2 (Jul 2024)abierto Mistral AI | 8,5 % | 6863–73 | 3 datos insuficientes |
| 150 | Qwen2.5-72Babierto Alibaba | 8,1 % | 7268–77 | 5 datos insuficientes |
| 151 | Qwen3-1.7Babierto Alibaba | 8,1 % | 6557–73 | 3 datos insuficientes |
| 152 | Llama 4 Scoutabierto Meta AI | 7,8 % | 7368–78 | 4 datos insuficientes |
| 153 | Mistral Large 2 (Nov 2024)abierto Mistral AI | 7,8 % | 7166–76 | 4 datos insuficientes |
| 154 | Gemma 3 4Babierto Google DeepMind | 7,5 % | 6353–73 | 4 datos insuficientes |
| 155 | Qwen2.5-32Babierto Alibaba | 7,4 % | 7166–76 | 3 datos insuficientes |
| 156 | GPT-4o mini OpenAI | 6,9 % | 6864–73 | 10 |
| 157 | Gemini 1.5 Pro (May 2024) Google DeepMind | 6,8 % | 6661–71 | 3 datos insuficientes |
| 158 | GPT-4 Turbo (Apr 2024) OpenAI | 6,7 % | 6864–73 | 4 datos insuficientes |
| 159 | Mistral Small 3abierto Mistral AI | 6,7 % | 6762–72 | 3 datos insuficientes |
| 160 | Claude 3.5 Sonnet Anthropic | 6,5 % | 7166–76 | 3 datos insuficientes |
| 161 | GPT-4o (Aug 2024) OpenAI | 6,4 % | 7368–77 | 9 |
| 162 | GPT-4o (May 2024) OpenAI | 6,2 % | 7066–75 | 5 datos insuficientes |
| 163 | GPT-4o (Nov 2024) OpenAI | 6,2 % | 6964–73 | 5 |
| 164 | Qwen-Turbo Alibaba | 6,1 % | 6964–75 | 3 datos insuficientes |
| 165 | Mistral Small 3.1abierto Mistral AI | 5,8 % | 6863–73 | 3 datos insuficientes |
| 166 | Llama 3.3 70Babierto Meta AI | 5,1 % | 6661–71 | 6 |
| 167 | Claude 3 Opus Anthropic | 4,7 % | 6560–70 | 5 datos insuficientes |
| 168 | Gemini 1.5 Flash 8B Google DeepMind | 4,6 % | 5747–67 | 2 datos insuficientes |
| 169 | Claude 3.5 Haiku Anthropic | 4,3 % | 6762–72 | 4 datos insuficientes |
| 170 | Llama 3-70Babierto Meta AI | 4,3 % | 5752–62 | 3 datos insuficientes |
| 171 | Gemini 1.5 Flash (May 2024) Google DeepMind | 3,9 % | 5853–63 | 3 datos insuficientes |
| 172 | Llama 3.1-70Babierto Meta AI | 3,6 % | 6358–68 | 3 datos insuficientes |
| 173 | granite-4.0-micro — | 2,8 % | 5441–67 | 2 datos insuficientes |
| 174 | Claude 2 Anthropic | 2,5 % | 4842–53 | 3 datos insuficientes |
| 175 | Claude 3 Sonnet Anthropic | 2,5 % | 5449–59 | 3 datos insuficientes |
| 176 | Hermes 2 Theta Llama-3 70Babierto Nous Research, Arcee AI | 2,5 % | 5550–61 | 3 datos insuficientes |
| 177 | Qwen2.5-7Babierto Alibaba | 2,5 % | 5141–60 | 4 datos insuficientes |
| 178 | GPT-3.5 Turbo (Jan 2024) OpenAI | 2,2 % | 4742–53 | 5 datos insuficientes |
| 179 | Claude 2.1 Anthropic | 1,9 % | 5240–64 | 2 datos insuficientes |
| 180 | Llama 3-8Babierto Meta AI | 1,9 % | 4034–46 | 3 datos insuficientes |
| 181 | Mistral Large Mistral AI | 1,9 % | 5651–62 | 3 datos insuficientes |
| 182 | Claude 3 Haiku Anthropic | 1,8 % | 5045–56 | 3 datos insuficientes |
| 183 | Llama 3.1-8Babierto Meta AI | 1,7 % | 5549–60 | 4 datos insuficientes |
| 184 | Gemma 2 27Babierto Google DeepMind | 1,4 % | 5752–63 | 3 datos insuficientes |
| 185 | GPT-4 (Jun 2023) OpenAI | 1,1 % | 5751–63 | 4 datos insuficientes |
| 186 | Gemini 1.0 Pro Google DeepMind | 1,1 % | 4640–52 | 3 datos insuficientes |
| 187 | Gemma 3 1Babierto Google DeepMind | 1,1 % | 4025–55 | 3 datos insuficientes |
| 188 | granite-4.0-1b — | 0,8 % | 5537–74 | 2 datos insuficientes |
| 189 | GPT-4 (Mar 2023) OpenAI | 0,6 % | 5240–65 | 2 datos insuficientes |
| 190 | Gemma 2 9Babierto Google DeepMind | 0,6 % | 5347–59 | 3 datos insuficientes |
| 191 | Llama 3.2 1Babierto Meta AI | 0,6 % | 4227–58 | 3 datos insuficientes |
| 192 | Mistral 7B v0.3abierto Mistral AI | 0,3 % | 5434–75 | 2 datos insuficientes |
| 193 | granite-4.0-350m — | 0,3 % | 5337–68 | 3 datos insuficientes |
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).