Ranking de IA de la semana

Cómo leer el ranking

Cada fila de la tabla corresponde a un modelo de IA, es decir, el «motor» que hace funcionar un asistente como ChatGPT, Claude o Gemini. La columna principal es la puntuación compuesta: una nota sobre 100 que resume el rendimiento del modelo en varias pruebas públicas. Cuanto más alta, mejor se ha desempeñado el modelo frente a los demás modelos evaluados.

Algunas claves para sacar partido a la tabla:

• Las flechas indican si un modelo ha ganado o perdido posiciones desde el ranking anterior. Un modelo que aparece por primera vez se marca como «nuevo». En la primera edición todavía no hay ranking anterior, así que la columna de variación solo aparece a partir de la siguiente actualización.
• Los filtros permiten mostrar solo los modelos abiertos (cuyos «pesos», los parámetros aprendidos durante el entrenamiento, se pueden descargar) o cerrados (accesibles solo a través del servicio de su fabricante), los de un fabricante concreto o los de un país.
• La ordenación se hace pulsando el encabezado de una columna: puede, por ejemplo, ordenar los modelos según un solo benchmark en lugar de la puntuación global.
• Al pasar el cursor sobre el nombre de un benchmark aparece una breve explicación de lo que mide.

Debajo de la tabla, el gráfico «mejor puntuación por mes» muestra cómo evoluciona el nivel del modelo líder, y el historial de números 1 recoge qué modelos han ocupado el primer puesto. Ambas vistas ayudan a tomar distancia: el primer puesto suele decidirse por muy poco y cambia de manos con frecuencia.

¿Qué es un benchmark?

Un benchmark es un examen estandarizado para modelos de IA. Se plantea a cada modelo la misma serie de preguntas o tareas, las respuestas se corrigen de forma automática y se obtiene una puntuación comparable entre modelos. Es como un examen oficial: todos los candidatos hacen la misma prueba en las mismas condiciones.

El ranking se basa en una selección fija de benchmarks que cubre varias familias de habilidades:

• razonamiento científico, con preguntas de ciencias de nivel avanzado;
• matemáticas, con problemas que exigen varios pasos de razonamiento;
• programación, donde el modelo debe escribir o corregir código;
• tareas agénticas en terminal, donde el modelo actúa como un agente: encadena por sí mismo comandos en un ordenador para alcanzar un objetivo, sin que nadie lo guíe paso a paso.

Nuestro método en resumen

Las puntuaciones brutas proceden del AI Benchmarking Hub de Epoch AI, una organización de investigación independiente que publica sus evaluaciones en abierto. En cada reconstrucción semanal del sitio, los lunes, el cálculo sigue tres pasos:

1. Normalización por benchmark: en cada prueba, el mejor modelo recibe 100 y el peor recibe 0; los demás se sitúan proporcionalmente entre ambos. Esta normalización «min-max» permite comparar pruebas con escalas de puntuación muy distintas.
2. Media: la puntuación compuesta de un modelo es la media de sus puntuaciones normalizadas en los benchmarks en los que se ha evaluado.
3. Umbral mínimo: un modelo solo entra en el ranking si tiene resultados en al menos 4 benchmarks de la selección, para que una sola prueba brillante no lo lleve a lo más alto.

La tabla muestra después el top 30. El detalle completo, incluido el cálculo de las variaciones de una semana a otra, está en la página de metodología.

Lo que el ranking no dice

Una puntuación compuesta es un indicador útil, no un veredicto. Tenga en cuenta sus límites:

• Una puntuación no es su experiencia real. Los benchmarks miden habilidades concretas en condiciones controladas. Para redactar un correo, resumir un documento en español o conversar a diario, un modelo peor clasificado puede servirle perfectamente y costar mucho menos.
• La contaminación de las pruebas. Si las preguntas de un benchmark acabaron en los datos de entrenamiento de un modelo, este puede «saberse las respuestas» sin razonar de verdad. Los evaluadores intentan limitar este riesgo, pero nadie puede descartarlo del todo.
• Los modelos no evaluados. Que un modelo no aparezca no significa que sea peor: quizá todavía no se ha evaluado, o no en suficientes benchmarks. Los modelos muy recientes suelen aparecer con retraso.
• Las diferencias ajustadas. Cuando dos modelos están separados por pocos puntos, la diferencia puede no notarse en el uso. La puntuación también depende de los modelos incluidos: la llegada de un nuevo líder puede mover las puntuaciones de los demás aunque ellos no hayan cambiado.
• El precio, la velocidad y la privacidad no cuentan. El ranking solo refleja resultados en pruebas.

¿Y ahora qué?

El ranking le da una primera idea de los modelos más potentes. Para ir más allá según su perfil:

• ¿Duda entre varios modelos para un proyecto? Póngalos uno al lado del otro en el comparador de modelos: precio, ventana de contexto, funciones y puntuaciones aparecen alineados.
• ¿Quiere explorar todas las fichas y filtrar por fabricante o por precio? Consulte el índice de modelos de IA.
• ¿Usa la IA a diario sin preocuparse por los benchmarks? El test «¿Qué IA es para mí?» le orienta hacia un asistente adaptado a su uso, su presupuesto y su dispositivo.
• ¿Algún término se le resiste? El glosario de IA lo explica con sencillez.