Explicación de los benchmarks de IA (2026): qué mide cada uno y quién lidera

Un benchmark de IA es un conjunto fijo de tareas utilizado para calificar la capacidad de un modelo, de modo que
se puedan comparar distintos modelos en la misma prueba. No existe un único benchmark que
determine cuál modelo es el mejor: cada uno mide algo muy específico, y varios de los más conocidos
ya están casi saturados. El enfoque práctico consiste en consultar los dos o tres benchmarks que coincidan con su
carga de trabajo real y desconfiar de cualquier cifra destacada aislada.

¿Quién lidera actualmente?

Ordenado según el Índice de Inteligencia Artificial de Artificial Analysis, una combinación de varias evaluaciones independientes en lugar de una única prueba. La última columna es la que la mayoría de comparaciones omiten: la puntuación
evaluaciones en lugar de una sola prueba. La última columna es la que la mayoría de las comparaciones omiten: puntuación
dividida por el precio combinado, que es lo que realmente estás comprando.

Los benchmarks que importan en 2026

MMLU (Massive Multitask Language Understanding)

Preguntas de opción múltiple en 57 disciplinas, desde matemáticas elementales hasta derecho profesional.
Durante años fue el número titular predeterminado, y ahora ese es el problema: los modelos de frontera
se agrupan tan estrechamente en la parte superior que las diferencias entre ellos caen dentro del ruido. MMLU sigue siendo
útil para situar un modelo abierto pequeño frente a uno grande, y casi inútil para separar
dos modelos frontier. Trata una afirmación MMLU de 2026 como una verificación de piso, no como una clasificación.

GPQA (Graduate-Level Google-Proof Q&A)

Escrito por PhDs de dominio en biología, física y química, y deliberadamente diseñado para que
buscar en la web no ayude. Responde una pregunta diferente a MMLU: no «¿ha leído el modelo
mucho?» sino «¿puede razonar a través de un problema genuinamente difícil en un campo técnico?». Porque
resiste tanto la memorización como la recuperación, ha envejecido mejor que MMLU como discriminador.

SWE-bench Verificado

Reportes de errores reales de repositorios GitHub reales, puntuados según si el parche del modelo
hace que pasen las pruebas propias del proyecto. El subconjunto Verified es la porción validada por humanos, filtrada para eliminar
tareas que estaban rotas o eran imposibles — por eso deberías verificar cuál SWE-bench
que el proveedor está citando. Este es el benchmark más relevante para la decisión si estás eligiendo un
modelo para un agente de codificación, porque la tarea y la calificación son ambas auténticas. Claude Sonnet 5
reporta el 85,2% en SWE-bench Verified y el 63,2% en el más difícil SWE-bench Pro.

Terminal-Bench

Tareas agénticas ejecutadas en una terminal real: instalar algo, diagnosticar una falla, escribir un
script de corrección. Mide una habilidad diferente a la de escribir un parche — tolerancia para trabajo de múltiples pasos donde
el modelo debe leer su propio resultado de error y recuperarse. Claude Sonnet 5 reporta el 80,4% en
Terminal-Bench 2.1. Si tu caso de uso es un agente autónomo en lugar de un asistente de código
en línea, esto y OSWorld te dicen más de lo que SWE-bench hace.

OSWorld

Uso de computadora en un entorno de escritorio real — abrir aplicaciones, navegar por interfaces,
completar una tarea que una persona haría con un ratón. Las puntuaciones aquí son mucho más bajas que en
benchmarks de texto en todos los casos, lo que es una señal honesta sobre lo inmaduro que
aún son los agentes de uso de computadora. Claude Sonnet 5 reporta el 81,2% en OSWorld-Verified; Nemotron 3 Nano Omni de NVIDIA,
un modelo abierto de 30B, reporta el 47,4% en OSWorld, que es un resultado razonable para su tamaño.

ARC-AGI

Puzzles de razonamiento visual abstracto diseñados para que el reconocimiento de patrones a partir de datos de entrenamiento no
se transfiera. Cada tarea consiste en un puñado de transformaciones de cuadrícula que el modelo debe inferir a partir de un par de
ejemplos. ARC-AGI es lo más cercano que tiene el campo a una prueba de generalización genuina en lugar de
memorización, razón por la cual el progreso es lento y los avances se consideran significativos.
Se informa que Claude Opus 5 obtiene aproximadamente tres veces mejor puntuación que el siguiente modelo mejor en ARC-AGI 3.

El último examen de la humanidad

Preguntas elaboradas por expertos en muchas disciplinas, escritas específicamente para resistir la
saturación que alcanzó MMLU. El objetivo de diseño es un benchmark que se mantenga difícil a medida que los modelos mejoren,
por lo que las puntuaciones son bajas por construcción y los pequeños avances son significativos. Léelo como un
discriminador de frontera, no como una medida de utilidad para el trabajo ordinario.

Índice de Inteligencia Artificial de Artificial Analysis

No es una prueba sino un compuesto que combina varias evaluaciones independientes en una única puntuación. Ese es
su valor: cualquier benchmark individual puede ser objeto de optimización, y una combinación es mucho más difícil de manipular. Es el
escala utilizada en la tabla anterior. Claude Opus 5 es el líder actual con 61, Claude Fable 5 con
60 y GPT-5.6 Sol con 59 — y Kimi K3 con 57, el resultado de peso abierto más sólido registrado, ubicado
a menos de cuatro puntos del mejor modelo cerrado.

Cómo leer una afirmación de referencia

Pregunta quién lo ejecutó. Una puntuación reportada por el proveedor en su propia página de lanzamiento y una
evaluación independiente son diferentes tipos de evidencia. Los tableros de clasificación independientes aplican el mismo
arnés a cada modelo; un proveedor elige sus propias condiciones.

Verifica la contaminación. Si las preguntas de un referencial son anteriores a la fecha de
corte de entrenamiento de un modelo y existen públicamente, es probable que algunas estén en los datos de entrenamiento. Esta es la
razón principal por la que los puntos de referencia más antiguos se inflan con el tiempo y por qué los nuevos se construyen para ser
«Google-proof» o excluido completamente.

Atento a los cambios de criterios. «SWE-bench» sin «Verified», un subconjunto sin nombre,
un número diferente de intentos, o una puntuación con uso de herramientas comparada contra una sin —
estas son las formas habituales en que una comparación deja de ser equitativa.

Cuidado con la saturación. Cuando todos los modelos serios obtienen más de 90 en una prueba, esa
prueba ha dejado de clasificar nada. Las diferencias de un punto o dos en la parte superior de un benchmark saturado
son ruido, no señal.

El precio forma parte de la puntuación. Un modelo dos puntos mejor y seis veces más
caro no es mejor para la mayoría de cargas de trabajo. Por eso la tabla anterior incluye una columna de puntuación por dólar
y por qué el índice de
relación precio-rendimiento existe.

¿Qué benchmark debería importarte realmente?

Construir un agente de código: SWE-bench Verified primero, Terminal-Bench segundo.
Ignora MMLU completamente.

Construir un agente de uso de escritorio o computadora: OSWorld, luego Terminal-Bench.
Espera que los números absolutos sean bajos.

Respuesta a preguntas técnicas o científicas: GPQA, y Humanity's Last Exam si
tus preguntas son genuinamente de nivel experto.

Asistente general o chat: un índice compuesto es más informativo que cualquier
prueba individual, porque ningún benchmark se parece al espectro de cosas que los usuarios reales preguntan.

Elegir un modelo pequeño para autohospedar: los benchmarks importan menos que la compatibilidad. Verifica
qué se ejecutará físicamente en tu hardware con
Calculadora de VRAM primero, luego compara
puntuaciones de benchmark solo entre los modelos que sean compatibles.

Resultados de benchmarks publicados en nuestra base de datos

Preguntas frecuentes