Valumigo

LMArena · Éxito de las tareas 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 considera únicamente la señal de confirmación del éxito de la tarea de Agent Arena. Usa los resultados que los usuarios marcaron directamente como éxito o fracaso tras finalizar la tarea del agente.

Cómo interpretar la puntuación: La puntuación es IPS(τ̂), con 0 como referencia: cuanto más alta, mayor es la mejora respecto a la referencia en los resultados que los usuarios marcaron como exitosos.

Precauciones: Solo se incluyen los casos que los usuarios marcaron directamente, por lo que se excluyen las tareas sin marcar. El orden puede diferir del de la clasificación general.

Claves para interpretar esta clasificación

  • Los intervalos de confianza del 95% de Claude Fable 5.1 (Max), en 1.º lugar, y GPT 6.1 Sol (Max), en 2.º, se solapan. Esta agregación por sí sola no permite establecer con certeza el orden de ambos modelos.
  • Hay otros 5 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 5 modelos.
  • El modelo en 1.er lugar tiene 7,868 observaciones y esta clasificación incluye 50 modelos.

Éxito de las tareas de agentes LMArena

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

00.050.10.150.20.25
AnthropicClaude Fable 5.1 (Max)
0.176
OGPT 6.1 Sol (Max)
0.155
GoogleGemini 4 Argon (High)
0.154
AnthropicClaude Opus 5.5 (High)
0.141
AnthropicClaude Sonnet 5.5 (Max)
0.139
OGPT 6 Astra (Max)
0.132
AnthropicClaude Opus 5 (Max)
0.095
DeepSeekDeepseek V4.1 Flash (Max)
0.084
Moonshot AIKimi K3 (Max)
0.076
OGPT 6 Sol (Max)
0.071
GoogleGemini 3.8 Flash (High)
0.069
AnthropicClaude Fable 5 (High)
0.061
THy4 preview
0.058
XiaomiMiMo V2.6 Flash
0.056
xGrok 4.7 (xHigh)
0.055
ZGLM 5.3 (Max)
0.053
OGPT 5.6 Sol (xHigh)
0.05
MetaMuse Spark 1.3 (Max)
0.05
ZGLM 5.2 (Max)
0.048
AlibabaQwen3.8 Max
0.047

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 6.1 Sol (Max)#2
  • GoogleGoogleGemini 4 Argon (High)#3
  • DeepSeekDeepSeekDeepseek V4.1 Flash (Max)#8
  • Moonshot AIMoonshot AIKimi K3 (Max)#9
  • TTencentHy4 preview#14
  • XiaomiXiaomiMiMo V2.6 Flash#15
  • xxAIGrok 4.7 (xHigh)#16
  • ZZ.aiGLM 5.3 (Max)#17
Ver tabla (los 50 mejores)
PuestoModeloDesarrolladorPuntuaciónIntervalo de confianza del 95%Observaciones
1#1AnthropicClaude Fable 5.1 (Max)Anthropic0.1760.148–0.2057,868
2#2OGPT 6.1 Sol (Max)OpenAI0.1550.114–0.1962,270
3#3GoogleGemini 4 Argon (High)Google0.1540.125–0.1844,422
4#4AnthropicClaude Opus 5.5 (High)Anthropic0.1410.101–0.1823,425
5#5AnthropicClaude Sonnet 5.5 (Max)Anthropic0.1390.086–0.1931,195
6#6OGPT 6 Astra (Max)OpenAI0.1320.095–0.1695,954
7#7AnthropicClaude Opus 5 (Max)Anthropic0.0950.064–0.12615,453
8#8DeepSeekDeepseek V4.1 Flash (Max)DeepSeek0.0840.074–0.09560,410
9#9Moonshot AIKimi K3 (Max)Moonshot AI0.0760.064–0.08899,685
10#10AnthropicClaude Opus 5 (High)Anthropic0.0760.046–0.10620,843
11#11OGPT 6 Sol (Max)OpenAI0.0710.028–0.1143,312
12#12GoogleGemini 3.8 Flash (High)Google0.0690.05–0.08722,497
13#13AnthropicClaude Fable 5 (High)Anthropic0.0610.035–0.08733,005
14#14THy4 previewTencent0.0580.042–0.07524,238
15#15XiaomiMiMo V2.6 FlashXiaomi0.0560.03–0.0827,967
16#16xGrok 4.7 (xHigh)xAI0.0550.021–0.0895,906
17#17ZGLM 5.3 (Max)Z.ai0.0530.037–0.06862,886
18#18OGPT 5.6 Sol (xHigh)OpenAI0.050.024–0.07728,118
19#19MetaMuse Spark 1.3 (Max)Meta0.050.037–0.06445,563
20#20ZGLM 5.2 (Max)Z.ai0.0480.032–0.06355,555
21#21AlibabaQwen3.8 MaxAlibaba0.0470.033–0.06135,416
22#22SStep 5 PreviewStepFun0.0450.012–0.0784,266
23#23ZGLM 5.3 FlashZ.ai0.0440.032–0.05560,370
24#24AnthropicClaude Opus 4.8 (High)Anthropic0.0420.016–0.06930,039
25#25AlibabaQwen3.8 Flash NextAlibaba0.0360.021–0.05138,898
26#26xGrok 4.5xAI0.013-0.01–0.03729,109
27#27AnthropicClaude Sonnet 5 (High)Anthropic0.012-0.023–0.04722,551
28#28GoogleGemini 3.7 Flash (High)Google0.012-0.006–0.02948,036
29#29AlibabaQwen 3.8 27BAlibaba0.01-0.005–0.02436,984
30#30OGPT 6 Luna (Max)OpenAI-0.001-0.025–0.02314,416
31#31xGrok 4.6 (xHigh)xAI-0.006-0.029–0.01820,463
32#32OGPT 5.5 (xHigh)OpenAI-0.009-0.031–0.01443,172
33#33DeepSeekDeepSeek V4 Pro (High) (0813)DeepSeek-0.017-0.057–0.0233,790
34#34OGPT 5.4 (High)OpenAI-0.025-0.046–-0.00457,450
35#35OGPT 5.6 Luna (xHigh)OpenAI-0.033-0.049–-0.01733,799
36#36OGPT 5.6 Terra (xHigh)OpenAI-0.039-0.065–-0.01318,613
37#37MetaMuse Spark 1.1Meta-0.043-0.054–-0.03195,130
38#38OGPT 5.5OpenAI-0.047-0.068–-0.02664,950
39#39MetaMuse Spark 1.2 (xHigh)Meta-0.054-0.072–-0.03633,552
40#40GoogleGemini 3.6 Flash (High)Google-0.057-0.083–-0.03118,029
41#41AlibabaQwen3.7 MaxAlibaba-0.091-0.115–-0.06630,156
42#42AlibabaQwen3.7 PlusAlibaba-0.093-0.126–-0.0615,130
43#43XiaomiMimo V2.5 ProXiaomi-0.096-0.119–-0.07329,517
44#44GoogleGemini 3.1 Pro PreviewGoogle-0.099-0.121–-0.07869,866
45#45THy3Tencent-0.112-0.14–-0.08414,238
46#46MiniMaxMinimax M3MiniMax-0.137-0.162–-0.11228,148
47#47Mistral AIMistral Medium 3.5Mistral AI-0.145-0.183–-0.1086,629
48#48TInkling SmallThinky-0.201-0.244–-0.1587,271
49#49USolar Pro 4Upstage-0.205-0.259–-0.1524,788
50#50TInklingThinky-0.207-0.237–-0.17724,644

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