Cómo se construye este ranking

De dónde sale esta lista, qué significa cada cifra y con qué frecuencia se actualiza.

Volver al ranking

Alcance de las evaluaciones Image / Video

Image y Video citan evaluaciones públicas de preferencias de Arena y Artificial Analysis. Los organismos se cuentan sin duplicados: varias tablas de tareas de un organismo no equivalen a varios organismos independientes ni a una certificación integral de capacidades.

Texto a imagen, edición, texto a vídeo e imagen a vídeo tienen vistas separadas. Las tablas de vídeo con audio de Artificial Analysis forman grupos aparte. Las condiciones de audio de Arena siguen las entradas originales; no afirmamos que sea una prueba uniforme sin audio. Cada tabla se ordena por separado, sin combinar tareas, condiciones de audio ni ajustes de calidad.

Las celdas conservan la entrada original, la fecha de consulta, las muestras recopiladas y los intervalos. Preliminary es una marca de la fuente, no nuestra calificación. Las muestras ausentes no se sustituyen por cero; el solapamiento de intervalos no demuestra una ventaja significativa.

Los precios y tiempos de terceros tienen pestañas separadas y no afectan a la cobertura ni al orden de calidad. Los precios mantienen unidades y configuraciones. El tiempo indica proveedor y condiciones: mediana de solicitudes exitosas de tres días, con descarga y sin reintentos. No son precios ni mediciones de ChinaAPI, ni prueban la ausencia de deriva en nuestros modelos.

Cómo se eligen las fuentes

Solo rankings de primera mano que cualquiera puede abrir: la misma dirección, la misma cifra, verificable por cualquiera. Cada cifra registra la página de la que se leyó y la fecha en que se leyó.

No se extrae nada en el momento de la petición. Los datos viven en un archivo del repositorio y una actualización es un Pull Request que avanza la fecha de la instantánea, así que lo que cambió se ve en el diff.

No se reproduce íntegramente ninguna puntuación compuesta ni ranking agregado de terceros. Su selección, organización y ponderación son obra suya; solo citamos cifras originales verificables, fila a fila.

Qué significan las cifras y cómo se ordena la tabla

El texto usa el algoritmo abierto v15 de AIHOT: compara modelos evaluados conjuntamente con pesos fijos y minimiza el desacuerdo total. Nuestra selección y datos verificados difieren de AIHOT, al igual que las puntuaciones y posiciones.

Pesos fijos: evaluaciones generales 30%, preferencia humana 10%, evaluaciones especializadas 60%. Los datos ausentes no son cero ni se redistribuye su peso. Las fuentes y pesos disponibles figuran abajo.

Se requieren al menos 3 fuentes, 3 familias de evaluación, 3 operadores, 3 especialidades y 2 modelos de referencia directa, dentro de una ventana de lanzamiento de 18 meses. Los modelos sin evidencia suficiente siguen visibles, sin posición.

Cada fuente elige la entrada por prioridad fija de configuración, no por la mayor nota. El consenso Kemeny determina la posición; el valor 0–100 usa costes de inversión entre vecinos y referencias fijas, no precisión. Los filtros conservan la posición global.

Los rangos de sensibilidad se recalculan al quitar una fuente u operador, variar pesos ±20% o ignorar intervalos. No son intervalos de confianza estadísticos.

Una puntuación de Terminal-Bench depende del modelo y también del andamiaje de agente que lo impulsa, así que la cifra debe indicar qué agente la produjo. Esta página cita la columna que Artificial Analysis ejecuta con un único harness para todos los modelos —mini-SWE-agent v2.4.6, 66 tareas, pass@1 promediado sobre 3 repeticiones por tarea— y el harness figura en la nota de origen de esa columna. Antes se citaba el ranking oficial del benchmark tomando la mejor fila de cada modelo, lo que podía dejar a modelos distintos en harnesses distintos; con un solo harness para toda la columna, la comparación es entre los modelos en sí y no entre cada modelo más su mejor andamiaje.

MLCR-AA, citado en la vista Medicina, procede del mismo operador que el ranking principal (Artificial Analysis) pero no es un componente suyo: Artificial Analysis lo marca como evaluación independiente fuera del Intelligence Index, así que es una prueba realmente independiente, a diferencia de las dos columnas anteriores. El benchmark de base es el MLCR abierto de Wisedocs: síntesis multidocumento sobre historiales médicos sintéticos de unos 25.000–64.000 tokens, reconstruyendo cronología, causalidad, patrones de tratamiento y relevancia para la reclamación, con preguntas graduadas en seis niveles. Mide el razonamiento sobre historiales largos, no la capacidad médica en general, y no constituye consejo médico.

Una cifra del propio proveedor solo aparece cuando ninguna tabla independiente cubre el modelo. Se señala como tal y nunca ordena la tabla.

Cuando la etiqueta de una fila difiere del nombre del modelo que ofrecemos (versión preview, versión pro, otro nivel de resolución), la etiqueta de la propia tabla se imprime bajo la celda. No reasignamos en silencio la puntuación de otro modelo.

La columna «Lanzamiento» es la fecha de publicación anunciada por el proveedor del modelo, no la fecha en que se puso a la venta aquí: proviene del anuncio oficial de lanzamiento del propio proveedor, y los nombres de modelo con sufijo de fecha (como -260628) usan la fecha que codifica el sufijo. Las fechas que registran clasificaciones de terceros, como Epoch, solo sirven de contraste y no se usan directamente. Si no se encuentra una fecha fundamentada, la celda queda en «—» en lugar de una suposición.

Alcance

La primera edición cubre texto y multimodal, generación de imágenes y generación de vídeo. La síntesis y el reconocimiento de voz quedan fuera: las tablas públicas que esta página acepta no los cubren, y un hueco es mejor que una posición inventada.

La selección incluye modelos chinos vendidos aquí, nuevos modelos verificados en observación y modelos internacionales de referencia. La inclusión no implica disponibilidad en ChinaAPI; los pesos abiertos no garantizan una licencia permisiva. Los modelos con evidencia insuficiente quedan sin clasificar. Los modelos internacionales permiten comparar la posición de los modelos chinos.

Aviso legal

Esta página no es una evaluación nuestra. No participamos en el diseño, la ejecución ni la puntuación de ninguna de estas pruebas.

Las posiciones cambian a medida que las fuentes se actualizan. Esta página solo vale para la fecha de instantánea que aparece arriba.

Un benchmark público mide el rendimiento en las tareas que evalúa, que pueden no coincidir con las tuyas. Elige modelo probándolo en tu propio caso de uso.

Los nombres, marcas y contenidos de cada fuente pertenecen a sus respectivos titulares; esta página solo los cita y los explica.

Ritmo de actualización

No hay tarea programada ni sincronización automática. Los cambios de datos solo entran por un Pull Request: se vuelven a leer las fuentes, se actualizan las cifras y las fechas de consulta, avanza la fecha de instantánea y se publica con la siguiente versión tras la revisión.

Eso significa que la página puede ir por detrás de la última actualización de una tabla. Preferimos ser verificables y fechados antes que instantáneos y sin revisar.

La fecha «Mantenido el» sobre la tabla sigue solo al conjunto recogido: cambia cuando se añade un modelo o una fuente citada, y una simple relectura de cifras no la mueve — ese es el papel de la fecha de la instantánea. La fecha está atada a los recuentos del conjunto, y la compilación falla si no coinciden, así que no puede caducar en silencio.

Fuentes públicas citadas en esta página

  • LMArena Text Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_style_control, category overall), published 2026-10-02, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • Artificial Analysis Intelligence Index
    Artificial Analysis · Intelligence Index · Intelligence Index v4.3.2, read 2026-09-22; its figures are not comparable with the v4.3 figures this page quoted from its 2026-09-12 read. v4.3.1 refreshed the pairwise judge panels of AA-Briefcase and GDPval-AA, and v4.3.2 moved GDPval-AA to v2.1 (Elo scale anchored to DeepSeek V4.1 Flash (max) at 1600, fitted with a Crowd-BT model) and refitted AA-Briefcase v1.1 with Crowd-BT, so rows moved without any model changing. v4.3 had already swapped τ³-Banking out of the index for AutomationBench-AA and Terminal-Bench v2.1 for v4.0. The leaderboard's default Status: Current filter hides rows Artificial Analysis marks deprecated; they still render with Status set to All and are re-read from that view like any other row (CA-948). A trailing * is reproduced as the board prints it: the board's data marks that score as estimated (intelligenceIndexIsEstimated), i.e. not every evaluation in the index had been run for that model · consultado el 2026-09-22
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • SuperCLUE 智能指数
    SuperCLUE · 总分 (overall) · 2026-07 evaluation, published 2026-08-06. The homepage reads this edition from its data file (/data/generalboard/2026年7月.xlsx, sheet 总排行榜, last modified 2026-09-11), which also carries rows evaluated after publication, each with its own evaluation publication date (the latest 2026-09-11); the page's Latest Update line refers to a different sub-board · consultado el 2026-10-04
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Epoch Capabilities Index (ECI)
    Epoch AI · General ECI · live board · consultado el 2026-10-04
    Licencia: CC BY 4.0, as labelled on the page (https://creativecommons.org/licenses/by/4.0/)
  • Vals Index
    Vals AI · Accuracy (GDP-weighted finance, coding, legal and tax) · V2.2, page updated 2026-10-22; complete current cohort read 2026-10-23. Finance Agent v2.1 replaces v2 in this index; figures are not comparable with the V2.1 snapshot. Missing exact builds are not carried forward. · consultado el 2026-10-23
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Vendor's own evaluation card
    the model's own vendor · varies; the benchmark is named in each row · self-reported · consultado el 2026-09-22
    declarado por el proveedor, nunca se usa para ordenar
  • LMArena Text-to-Image Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_to_image, category overall), published 2026-09-24, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Image Edit Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (image_edit, category overall), published 2026-09-30, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Text-to-Video Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_to_video, category overall), published 2026-09-22, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Image-to-Video Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (image_to_video, category overall), published 2026-09-22, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Text Arena · Chinese
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_style_control, category chinese, prompts in Chinese), published 2026-10-02, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Text Arena · Coding
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_style_control, category coding), published 2026-10-02, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · consultado el 2026-10-05
    Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • Artificial Analysis · Output Speed
    Artificial Analysis · Median output tokens/s · live board; measured by Artificial Analysis against the vendor's own API, not through ChinaAPI. Rows Artificial Analysis marks deprecated are read with the leaderboard's Status filter set to All (CA-948) · consultado el 2026-09-22
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis · GDPval-AA v2.1
    Artificial Analysis · Agentic Real-World Work Tasks, (Elo-500)/2000 (%) · GDPval-AA v2.1, live board, read 2026-09-22. 220 agentic task-completion tasks with file outputs, ranked pairwise by a panel of three frontier LLM judges; since v2.1 the Elo scale is anchored to DeepSeek V4.1 Flash (max) at 1600 and fitted with a Crowd-BT model, so its figures are not comparable with the v2 figures this page quoted from its 2026-09-12 read. The column prints clamp((Elo-500)/2000). It carries 10% of the Agents category inside Intelligence Index v4.3.2, so this column is a component of the AA Intelligence Index shown as an individual source, not an independent operator. Rows Artificial Analysis marks deprecated are read with the leaderboard's Status filter set to All (CA-948). The column is hidden until the leaderboard's Intelligence group is expanded · consultado el 2026-09-22
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis · Terminal-Bench v4.0
    Artificial Analysis · Agentic Coding & Terminal Use (%) · Terminal-Bench 4.0 (66 tasks), run by Artificial Analysis with the mini-swe-agent harness, pass@1 averaged over 3 repeats per task; read 2026-09-22. When this column replaced the benchmark's own board on 2026-09-07 the methodology page named the harness as mini-SWE-agent v2.4.6; on 2026-09-21 it and the evaluation page name mini-swe-agent without a version, and every figure quoted before then read back unchanged. One harness for every model, so the column compares models rather than model-plus-best-scaffold — which is why it replaced the benchmark's own board, whose rows are agent × model and covered one Chinese model out of 34 (CA-788, overturning CA-734). It carries 10% of the Coding category inside Intelligence Index v4.3.2, so this column is a component of the AA Intelligence Index shown as an individual source, not an independent operator. Rows Artificial Analysis marks deprecated are read with the leaderboard's Status filter set to All (CA-948). The column is hidden until the leaderboard's Intelligence group is expanded · consultado el 2026-09-22
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis · MLCR-AA
    Artificial Analysis · Medical Long Context Reasoning (%) · MLCR-AA, live board, read 2026-09-22. Artificial Analysis marks it a standalone evaluation that is NOT part of Intelligence Index v4.3 — unlike the GDPval-AA v2 and Terminal-Bench v4.0 columns, this one is not a component of the AA Intelligence Index shown as an individual source, only the same operator. The underlying benchmark is Wisedocs' open MLCR (Wisedocs-AI/medical-long-context-reasoning): synthetic medical records of roughly 25,000-64,000 tokens, graded across six tiers from locating a single fact to expert-level clinical synthesis. It measures multi-document reasoning over long records, not medical capability in general. The main leaderboard carries no column for it; the figures were first read off the evaluation page's chart (2026-09-07) and since 2026-09-22 from the per-model pages' payload, which carries every model the chart can show (CA-956) · consultado el 2026-09-22
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis Text To Image
    Artificial Analysis · Elo · live board; exact row settings retained · consultado el 2026-09-13
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis Editing
    Artificial Analysis · Elo · live board; exact row settings retained · consultado el 2026-09-13
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis Text To Video · With Audio
    Artificial Analysis · Elo · live board; with audio pool; exact row settings retained · consultado el 2026-09-13
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.
  • Artificial Analysis Image To Video · With Audio
    Artificial Analysis · Elo · live board; with audio pool; exact row settings retained · consultado el 2026-09-13
    Esa página no declara ninguna licencia de reutilización, así que esta página la cita como fuente y enlaza de vuelta.

Archivo de datos

Todos los datos de esta página están disponibles en formato legible por máquina: /api/model-rankings (2026-10-23)