Benchmark de LLM: clasificación de modelos, puntuaciones y precios

Cómo usarlo

La tabla recoge los 164 modelos de lenguaje para los que Epoch AI publica al menos una puntuación, con su precio público tomado de OpenRouter el 25 de octubre de 2026. Empiece por elegir la medida que corresponde a su uso: el índice de capacidad global para una visión de conjunto, SWE-bench Verified o Terminal-Bench si busca un modelo para un agente de código, GPQA Diamond para el razonamiento científico, ARC-AGI para la capacidad de adaptarse a problemas nunca vistos.

• Después filtre por editor, por tipo de licencia (pesos abiertos que puede ejecutar usted mismo, o modelos propietarios accesibles por API), por tamaño mínimo de contexto y por precio medio máximo.
• El gráfico se redibuja con cada cambio. Pase el cursor o toque un punto para leer el nombre, el precio y la puntuación; haga clic para abrir la ficha del modelo.
• Haga clic en un encabezado de la tabla para ordenar (otra vez para invertir). La última columna muestra siempre la medida elegida.

Todo ocurre en su navegador: no se envía ningún dato y la página funciona incluso sin conexión una vez cargada.

Qué miden los benchmarks elegidos

El índice de capacidad de Epoch AI (ECI) agrega numerosos benchmarks en un único número, en una escala que permite comparar modelos que no han pasado todos las mismas pruebas. 125 modelos de la tabla tienen uno; el más alto a 25 de octubre de 2026 es el de Claude Opus 5.5 (168,8). Los benchmarks tomados uno a uno dicen cosas más precisas:

• GPQA Diamond : preguntas de ciencias de nivel doctorado (124 modelos puntuados)
• SWE-bench Verified : corrección de incidencias reales de GitHub (28 modelos puntuados)
• Terminal-Bench : tareas reales en un terminal (37 modelos puntuados)
• ARC-AGI-1 : rompecabezas visuales de razonamiento abstracto (73 modelos puntuados)
• ARC-AGI-2 : versión más difícil de los rompecabezas ARC (73 modelos puntuados)
• FrontierMath : problemas de matemáticas de investigación (niveles 1-3) (85 modelos puntuados)
• OTIS Mock AIME : problemas de competición de matemáticas (124 modelos puntuados)
• SimpleQA Verified : exactitud en hechos simples (80 modelos puntuados)
• Aider Polyglot : ejercicios de código en varios lenguajes (25 modelos puntuados)
• OSWorld : uso de un ordenador de escritorio (6 modelos puntuados)

Las puntuaciones son porcentajes de acierto. Una diferencia de dos o tres puntos entre dos modelos suele estar dentro del margen de error de la prueba: fíjese más bien en las diferencias claras y en la coherencia en varios benchmarks cercanos a su uso. Para entender por qué ARC-AGI sigue siendo difícil para los modelos, vea la definición del glosario.

Leer el gráfico puntuación / precio

El precio medio pondera tres tokens de entrada por uno de salida, lo que corresponde al uso habitual de un asistente o un agente: se envía mucho contexto (archivos, historial, resultados de herramientas) y se recibe una respuesta más corta. La escala horizontal es logarítmica, porque los precios van de unos céntimos a varias decenas de dólares por millón de tokens.

Los puntos naranjas forman la frontera de Pareto: para cada uno, ningún otro modelo mostrado es a la vez más barato y mejor puntuado en la medida elegida. Es ahí donde hay que buscar la mejor relación calidad-precio. Un modelo muy por debajo de la frontera cuesta más que otro que lo hace mejor; puede seguir siendo interesante por un motivo que el gráfico no muestra (contexto más largo, pesos abiertos, alojamiento en una región, herramienta integrada).

Para pasar del precio por millón de tokens a un presupuesto mensual real, use la calculadora de precios del Laboratorio, y la guía Precios de las API de LLM para entender la facturación.

De dónde vienen los datos

Las puntuaciones y el índice ECI vienen de la base pública de Epoch AI (licencia CC BY 4.0), que ejecuta ella misma parte de las evaluaciones y toma las demás de clasificaciones públicas. Los precios vienen de la API pública de OpenRouter: es el precio que muestra el proveedor principal del modelo, en dólares por millón de tokens. Ambas fuentes se recogen en cada actualización del sitio; la última recogida es del 25 de octubre de 2026. La tabla cuenta 68 modelos de pesos abiertos y 96 modelos propietarios.

Los límites que conviene tener en cuenta

• Cobertura desigual. No todos los modelos han pasado todas las pruebas: un modelo ausente de una medida no es malo, simplemente no tiene puntuación publicada.
• Contaminación. Parte de las preguntas públicas acaba en los datos de entrenamiento; las pruebas en parte secretas (como ARC-AGI-2 o FrontierMath) lo resisten mejor.
• Ajustes. El mismo modelo puede obtener puntuaciones distintas según el esfuerzo de razonamiento, el número de intentos o las herramientas permitidas. Epoch AI indica sus condiciones de prueba en cada resultado.
• Precios variables. Un modelo de pesos abiertos suele ofrecerse por varios proveedores con tarifas distintas, y los precios cambian a menudo. La caché de prompts y el procesamiento por lotes pueden reducir la factura.
• Un benchmark no es su tarea. Antes de elegir, pruebe dos o tres modelos de la frontera con una decena de sus propios casos reales.

El método completo se explica en la guía Elegir un modelo.