Mediciones respaldadas por fuentes01/10/2026

Página actualizada 01/10/2026

Guías y metodología

Entiende los benchmarks, compara las mediciones de forma justa y consulta las fuentes de LLM Benchmarks. Metodología, guía de pruebas y análisis basados en datos.

¿De dónde salen las puntuaciones?

Un resultado resulta útil cuando sabemos qué modelo se probó y en qué condiciones. Aquí explicamos cómo seleccionamos, comprobamos y presentamos los resultados publicados en la tabla comparativa.

Nuestra aportación consiste en reunir y comprobar la evidencia. Las evaluaciones originales las realizan los responsables de los benchmarks y los proveedores de modelos enlazados.

1. ¿Qué modelos y fuentes se incluyen?

La selección combina modelos del Epoch Capabilities Index con otras evaluaciones exigentes, lanzamientos recientes de proveedores que hemos verificado y una cuota dedicada a modelos abiertos. Así se incluyen modelos pequeños poco representados en las grandes clasificaciones. Es una muestra del mercado, no un directorio completo.

Utilizamos resultados de los responsables de los benchmarks, evaluaciones independientes e informes documentados de proveedores. La identidad del modelo, la fuente, la versión de la prueba y las condiciones de publicación deben poder rastrearse. Un resultado de acceso público no está automáticamente autorizado para su republicación. Los informes de proveedores conservan su atribución.

2. ¿Cuándo son comparables dos resultados?

El nombre del benchmark no basta. Consideramos la edición, la versión, el conjunto o período de tareas, la métrica, la unidad, las herramientas, la configuración del agente y el procedimiento de evaluación. Cada benchmark tiene un protocolo de comparación definido. Otras configuraciones pueden aportar evidencia útil, pero no reciben implícitamente el mismo estatus en la clasificación.

Puesto: posición dentro del protocolo admisible del benchmark; no es un veredicto global sobre el modelo.
≈: evidencia complementaria obtenida en otras condiciones. Consultar primero los detalles de la medición.
Conflicto: fuentes fiables discrepan para una misma configuración documentada. No hay un puesto único fiable.
Celda vacía: no hay una medición visible que corresponda. No significa cero puntos ni una evaluación fallida.

3. ¿Qué nivel de razonamiento se selecciona?

Dentro de la misma fuente y serie de pruebas, preferimos el nivel fijo documentado más alto: max, xhigh, high, medium, low, minimal, off. No escogemos después el resultado que tenga más puntos. Por tanto, una ejecución Max válida puede puntuar menos que High. No mezclamos agentes, versiones o conjuntos de tareas para obtener un nivel superior.

Adaptive indica que el razonamiento está activado, pero no demuestra un presupuesto máximo fijo. Los ajustes no revelados siguen siendo desconocidos. La etiqueta High de dos proveedores no implica necesariamente el mismo presupuesto de cálculo.

4. ¿Qué significan las fechas y categorías de fuentes?

La fecha de evaluación, la publicación, la versión de los datos y la primera observación son hechos distintos. Si una fuente no fecha una ejecución, podemos utilizar la primera vez que se observó ese resultado exacto. Eso no demuestra que la evaluación sea reciente. Los detalles indican en qué se basa la fecha.

La autoridad de la fuente y la calidad de la evidencia se evalúan por separado. A+, A, B y C son nuestras categorías de fuentes y evidencia, no probabilidades estadísticas de que un resultado sea correcto. Una buena categoría de fuente no elimina las diferencias entre condiciones de prueba.

5. Lo que la tabla no permite demostrar

Las diferencias pequeñas no demuestran una ventaja de rendimiento sin un análisis adecuado de incertidumbre. Los puntos porcentuales no son una mejora porcentual relativa. Un índice compuesto mide algo distinto del éxito en una tarea concreta; no promediamos las columnas para crear una puntuación global propia.

Los resultados de cuantización y hardware siguen siendo estudios complementarios. Distintos motores de ejecución, GPU o subconjuntos de tareas impiden aislar el efecto de la cuantización. El tamaño de los archivos de pesos, la capacidad de la GPU y la memoria realmente utilizada son magnitudes distintas. Las pruebas de hardware publicadas no son mediciones de laboratorio realizadas por LLM Benchmarks.

6. Comprobar la evidencia y comunicar errores

Abre una celda para consultar su fuente, configuración, fecha y variantes de razonamiento. Los datos pueden descargarse en CSV y JSON. Para comunicar un error, indica el modelo, el benchmark, el valor afectado y un enlace a la evidencia original. Las fuentes modificadas se comprueban de nuevo según las reglas de publicación; los errores confirmados se corrigen en los datos.

Comunicar una corrección Exportación completa de datos (JSON)

↑ Volver a los temas Volver a la tabla comparativa →

¿Qué mide cada benchmark?

La métrica útil depende de tu tarea. Un índice general, una prueba de conocimientos y una evaluación de agentes de programación miden cosas distintas. Esta guía ayuda a interpretar cada tipo de resultado.

Empieza por la tarea, comprueba el protocolo de evaluación y después compara los resultados.

Capacidad general: ECI e índices compuestos

El Epoch Capabilities Index combina resultados de distintas pruebas en una escala común de capacidades. Ofrece una primera visión de varios ámbitos. Su valor no es el porcentaje de tareas resueltas. Los datos nuevos pueden cambiar las estimaciones incluso de modelos que no han cambiado.

Nuestra interpretación: utiliza un índice para preseleccionar modelos y después revisa las pruebas pertinentes para tu trabajo. Un asistente especializado puede encajar aunque tenga un índice general inferior. No deben restarse puntuaciones de índices distintos.

Epoch Capabilities Index · Metodología

Conocimientos y razonamiento: GPQA, HLE y matemáticas

GPQA contiene preguntas difíciles de biología, física y química elaboradas por especialistas. La tabla utiliza su subconjunto Diamond. Estas pruebas aportan evidencia sobre la resolución de problemas en las condiciones indicadas. No miden automáticamente la fiabilidad en investigaciones abiertas.

El conjunto HLE completo y su subconjunto de texto permanecen separados. El acceso a herramientas puede cambiar la tarea. En matemáticas importa la dificultad: un buen resultado en un conjunto antiguo o más fácil no demuestra rendimiento en tareas nuevas y difíciles. Para una aplicación de conocimientos también probaríamos tus propias preguntas con fuentes verificables.

GPQA · Artículo de investigación

Programación: ¿una tarea aislada o un agente completo?

Una evaluación de programación puede probar un problema autónomo o un agente que trabaja en un repositorio existente. SWE-bench evalúa incidencias reales de software. Las herramientas, la orquestación del agente y el entorno de prueba también influyen en el resultado.

Nuestra interpretación: al elegir un agente de programación, compara configuraciones de sistemas documentadas. Para funciones individuales puede ser más pertinente una prueba acotada. Verified, Pro y los conjuntos cambiantes de Rebench no son intercambiables. El éxito en un conjunto no predice el éxito en tu repositorio.

SWE-bench · Proyecto y clasificaciones

Agentes y herramientas: el proceso forma parte de la prueba

Las evaluaciones de terminal, uso de herramientas y agentes de varios turnos exigen actuar en un entorno definido. Las API disponibles, la configuración del agente y los límites de tiempo y llamadas forman parte del significado del resultado. Por ejemplo, las dos configuraciones Banking permanecen separadas en la tabla.

Nuestra interpretación: estos resultados son especialmente útiles si la prueba se parece a tu proceso. De lo contrario, quedan sin evaluar aspectos esenciales como permisos, recuperación tras errores y criterios propios de éxito. Revisa los detalles y prueba una pequeña selección de situaciones representativas de tu uso.

Interpretar pruebas de instrucciones y preferencias

IFEval evalúa instrucciones objetivamente verificables, como restricciones de salida. Es útil cuando tu proceso depende del cumplimiento de requisitos concretos. No demuestra una exactitud factual general ni la calidad especializada de todas las respuestas.

Las clasificaciones Arena reflejan preferencias según su procedimiento de comparación. Una respuesta preferida no es necesariamente correcta. Nuestra interpretación: las preferencias pueden orientar decisiones sobre estilo de escritura; verificar la exactitud requiere además comprobaciones específicas del ámbito.

IFEval · Artículo de investigación

Todos los benchmarks de la tabla comparativa

El siguiente directorio enlaza las páginas originales e indica nuestros protocolos de comparación. La versión y las tareas importan más que unos nombres parecidos. La agrupación sirve para orientarse; no pondera una clasificación global.

Resumen

Epoch Capabilities Index

Índice compuesto de capacidades ajustado por Epoch AI a partir de más de 50 benchmarks.

Fuente de comparación: Epoch Capabilities Index
Versión / tareas: Epoch ECI snapshot 2026-10-01 · official-composite-fit
Métrica / unidad: eci · index_points

¿De dónde salen las puntuaciones?

1. ¿Qué modelos y fuentes se incluyen?

2. ¿Cuándo son comparables dos resultados?

3. ¿Qué nivel de razonamiento se selecciona?

4. ¿Qué significan las fechas y categorías de fuentes?

5. Lo que la tabla no permite demostrar

6. Comprobar la evidencia y comunicar errores

¿Qué mide cada benchmark?

Capacidad general: ECI e índices compuestos

Conocimientos y razonamiento: GPQA, HLE y matemáticas

Programación: ¿una tarea aislada o un agente completo?

Agentes y herramientas: el proceso forma parte de la prueba

Interpretar pruebas de instrucciones y preferencias

Todos los benchmarks de la tabla comparativa

Resumen

Conocimiento y razonamiento

Código

Agentes y herramientas

¿Qué nos dicen realmente los datos?

Cómo utilizar estos análisis

Modelos abiertos pequeños: ¿qué evidencia respalda la comparación?

¿Cuánta evidencia hay disponible?

¿Qué implica para elegir un modelo?

Reproducir el análisis

Mismo benchmark, condiciones distintas

Documentado no siempre significa comparable

Tres situaciones en las que una diferencia engaña

Una comparación defendible en tres pasos

Más razonamiento no garantiza un mejor resultado

Ejemplos de este estado de los datos

Claude Fable 5.1 · CritPt

Claude Fable 5 · Vending 2

Claude Opus 4.7 · ARC-AGI-1

Qué permiten afirmar estos ejemplos

¿Quién gestiona esta página?

Nuestra aportación

Responsabilidad y mantenimiento

Financiación y reglas de selección

Contacto y correcciones