Valumigo

LMArena · Evaluación general de agentes

Recopilamos y mostramos periódicamente datos públicos de benchmarks (clasificaciones por votos de usuarios de LMArena, puntuaciones de pruebas de Epoch AI y clasificaciones de uso de OpenRouter). Cada clasificación indica tanto la fecha de publicación como la fecha de recopilación. Las puntuaciones no las asigna este sitio.

Las puntuaciones de LMArena se basan en votos de personas que comparan las respuestas de dos modelos y eligen la mejor (sistema Elo). Si la diferencia queda dentro del intervalo de confianza, considera que los modelos tienen un nivel similar.

Cómo interpretar esta clasificación

Qué mide: Esta clasificación se basa en registros de personas que encargaron tareas reales (desarrollo de software, análisis financiero, etc.) en modo agente en Agent Arena de LMArena. Los agentes usan directamente herramientas como bash, búsquedas web y operaciones con archivos.

Cómo interpretar la puntuación: La puntuación es una estimación causal llamada IPS(τ̂), con 0 como referencia: cuanto más alta, mayor es la mejora de los resultados al usar ese modelo. Combina cinco señales: confirmación de éxito del usuario, elogios y quejas, incorporación de instrucciones de corrección, recuperación de errores de bash y prevención de alucinaciones sobre herramientas.

Precauciones: La escala de puntuación difiere de la clasificación de conversación (método Bradley–Terry), por lo que no se pueden comparar directamente. Los modelos con pocas observaciones tienen intervalos de confianza amplios.

Claves para interpretar esta clasificación

  • Los intervalos de confianza del 95% de Claude Fable 5.1 (Max), en 1.º lugar, y Claude Opus 5.5 (High), en 2.º, se solapan. Esta agregación por sí sola no permite establecer con certeza el orden de ambos modelos.
  • Hay otros 4 modelos cuyos intervalos de confianza se solapan con el del 1.º. Interpreta con cautela las diferencias pequeñas de posición, teniendo en cuenta el número de votos.
  • Entre los 10 modelos mejor clasificados, Anthropic tiene la mayor cantidad, con 6 modelos.
  • El modelo en 1.er lugar tiene 1,683,381 observaciones y esta clasificación incluye 50 modelos.

Evaluación general de agentes LMArena

Publicado el 2026-10-02 · Obtenido el 2026-10-04

00.040.080.120.160.2
AnthropicClaude Fable 5.1 (Max)
0.143
AnthropicClaude Opus 5.5 (High)
0.138
AnthropicClaude Sonnet 5.5 (Max)
0.125
OGPT 6 Astra (Max)
0.123
OGPT 6.1 Sol (Max)
0.112
OGPT 6 Sol (Max)
0.097
AnthropicClaude Opus 5 (High)
0.087
AnthropicClaude Fable 5 (High)
0.082
GoogleGemini 4 Argon (High)
0.076
AnthropicClaude Opus 4.8 (High)
0.066
OGPT 5.6 Sol (xHigh)
0.065
AnthropicClaude Sonnet 5 (High)
0.044
Moonshot AIKimi K3 (Max)
0.042
OGPT 5.5 (xHigh)
0.042
xGrok 4.7 (xHigh)
0.04
DeepSeekDeepseek V4.1 Flash (Max)
0.04
MetaMuse Spark 1.3 (Max)
0.04
THy4 preview
0.04
ZGLM 5.2 (Max)
0.035
GoogleGemini 3.8 Flash (High)
0.03

La puntuación es IPS(τ̂): 0 es la referencia y cuanto más alta, mejor. Las líneas representan intervalos de confianza del 95%. El gráfico muestra solo la configuración de razonamiento de cada modelo (high, max, etc.) con la puntuación más alta. La tabla muestra las posiciones de todas las configuraciones.

Mejor posición por empresa

  • AnthropicAnthropicClaude Fable 5.1 (Max)#1
  • OOpenAIGPT 6 Astra (Max)#4
  • GoogleGoogleGemini 4 Argon (High)#10
  • Moonshot AIMoonshot AIKimi K3 (Max)#14
  • xxAIGrok 4.7 (xHigh)#16
  • DeepSeekDeepSeekDeepseek V4.1 Flash (Max)#17
  • MetaMetaMuse Spark 1.3 (Max)#18
  • TTencentHy4 preview#19
  • ZZ.aiGLM 5.2 (Max)#20
Ver tabla (los 50 mejores)
PuestoModeloDesarrolladorPuntuaciónIntervalo de confianza del 95%Observaciones
1#1AnthropicClaude Fable 5.1 (Max)Anthropic0.1430.124–0.1621,683,381
2#2AnthropicClaude Opus 5.5 (High)Anthropic0.1380.116–0.16754,031
3#3AnthropicClaude Sonnet 5.5 (Max)Anthropic0.1250.094–0.156483,211
4#4OGPT 6 Astra (Max)OpenAI0.1230.1–0.145888,641
5#5OGPT 6.1 Sol (Max)OpenAI0.1120.085–0.14379,372
6#6OGPT 6 Sol (Max)OpenAI0.0970.073–0.121994,367
7#7AnthropicClaude Opus 5 (High)Anthropic0.0870.073–0.1013,531,760
8#8AnthropicClaude Fable 5 (High)Anthropic0.0820.07–0.0942,603,067
9#9AnthropicClaude Opus 5 (Max)Anthropic0.0790.064–0.0943,006,257
10#10GoogleGemini 4 Argon (High)Google0.0760.056–0.095587,353
11#11AnthropicClaude Opus 4.8 (High)Anthropic0.0660.053–0.082,431,185
12#12OGPT 5.6 Sol (xHigh)OpenAI0.0650.052–0.0774,348,715
13#13AnthropicClaude Sonnet 5 (High)Anthropic0.0440.028–0.063,612,898
14#14Moonshot AIKimi K3 (Max)Moonshot AI0.0420.036–0.04712,305,667
15#15OGPT 5.5 (xHigh)OpenAI0.0420.031–0.0523,060,353
16#16xGrok 4.7 (xHigh)xAI0.040.024–0.0561,656,641
17#17DeepSeekDeepseek V4.1 Flash (Max)DeepSeek0.040.036–0.04516,932,092
18#18MetaMuse Spark 1.3 (Max)Meta0.040.034–0.0466,139,426
19#19THy4 previewTencent0.040.032–0.0475,108,255
20#20ZGLM 5.2 (Max)Z.ai0.0350.028–0.0426,684,620
21#21GoogleGemini 3.8 Flash (High)Google0.030.021–0.0384,279,699
22#22AlibabaQwen3.8 MaxAlibaba0.0250.019–0.0314,577,924
23#23ZGLM 5.3 (Max)Z.ai0.0240.017–0.039,155,315
24#24OGPT 6 Luna (Max)OpenAI0.0140.003–0.0243,443,780
25#25xGrok 4.6 (xHigh)xAI0.0130.003–0.0233,131,725
26#26xGrok 4.5xAI0.0120.002–0.0222,418,629
27#27DeepSeekDeepSeek V4 Pro (High) (0813)DeepSeek0.012-0.005–0.028797,284
28#28OGPT 5.4 (High)OpenAI0.0110.001–0.024,332,904
29#29OGPT 5.5OpenAI0.010.001–0.022,659,460
30#30SStep 5 PreviewStepFun0.005-0.01–0.021,125,598
31#31OGPT 5.6 Terra (xHigh)OpenAI0.004-0.008–0.0161,686,712
32#32ZGLM 5.3 FlashZ.ai-0.004-0.009–09,533,773
33#33XiaomiMiMo V2.6 FlashXiaomi-0.006-0.019–0.0071,562,757
34#34AlibabaQwen3.8 Flash NextAlibaba-0.007-0.014–-0.00111,249,221
35#35OGPT 5.6 Luna (xHigh)OpenAI-0.012-0.018–-0.0054,028,029
36#36GoogleGemini 3.7 Flash (High)Google-0.015-0.022–-0.0075,048,920
37#37AlibabaQwen 3.8 27BAlibaba-0.017-0.023–-0.0116,972,838
38#38MetaMuse Spark 1.2 (xHigh)Meta-0.033-0.039–-0.0262,884,900
39#39MetaMuse Spark 1.1Meta-0.049-0.053–-0.0447,612,456
40#40AlibabaQwen3.7 MaxAlibaba-0.051-0.061–-0.0422,207,521
41#41THy3Tencent-0.054-0.066–-0.0421,171,568
42#42MiniMaxMinimax M3MiniMax-0.069-0.078–-0.063,338,791
43#43AlibabaQwen3.7 PlusAlibaba-0.072-0.086–-0.0571,144,063
44#44XiaomiMimo V2.5 ProXiaomi-0.075-0.084–-0.0662,309,389
45#45GoogleGemini 3.6 Flash (High)Google-0.077-0.087–-0.0661,523,777
46#46GoogleGemini 3.1 Pro PreviewGoogle-0.077-0.087–-0.0673,446,977
47#47TInkling SmallThinky-0.103-0.117–-0.089503,653
48#48TInklingThinky-0.109-0.119–-0.0981,798,990
49#49Mistral AIMistral Medium 3.5Mistral AI-0.124-0.139–-0.109437,621
50#50USolar Pro 4Upstage-0.159-0.178–-0.141427,705

Datos: LMArena leaderboard dataset (CC BY 4.0). Cambios: Solo se muestran los 50 primeros de cada clasificación; las puntuaciones se redondean. https://huggingface.co/datasets/lmarena-ai/leaderboard-datasetLos logotipos son marcas comerciales de sus respectivas empresas y solo se usan para identificarlas (iconos: Simple Icons).Datos: Epoch AI — Capabilities & benchmarking (CC BY 4.0). https://epoch.ai/benchmarksSource: OpenRouter (openrouter.ai/rankings), as of 2026-10-04. Licensed under CC BY 4.0. https://openrouter.ai/rankings