Valumigo

OpenRouter · Agentes de atención al cliente (τ-bench, sector aéreo)

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: Son los resultados de τ-bench (versión verificada, sector aéreo) ejecutado por OpenRouter. Evalúa si el modelo utiliza herramientas para atender solicitudes, como cambios de reserva, siguiendo las reglas en situaciones de atención al cliente de aerolíneas.

Cómo interpretar la puntuación: Cuanto mayor sea la tasa de éxito (%), mejor. También se puede comparar el costo medio por pregunta.

Precauciones: Solo abarca escenarios de un sector (el aéreo), por lo que puede diferir del rendimiento de los agentes en otras tareas.

Claves para interpretar esta clasificación

  • La puntuación más alta es 79.9%, obtenida por Claude Fable 5.
  • La diferencia entre el 1.º y el 5.º puesto es de 1.4%p.
  • Entre los 10 modelos mejor clasificados, Anthropic tiene la mayor cantidad, con 4 modelos.
  • Entre los 10 primeros, el modelo con el menor costo medio por pregunta es Step 3.7 Flash ($0.0201, puntuación 77.3%).

Agentes de atención al cliente (τ-bench, sector aéreo) OpenRouter

Publicado el 2026-10-04 · Obtenido el 2026-10-05

AnthropicClaude Fable 5
79.9%
XiaomiMiMo-V2.6-Flash
79.3%
AnthropicClaude Fable 5.1
79.2%
AnthropicClaude Opus 5
78.6%
GoogleGemini 3.7 Flash
78.5%
ANova Micro 1.0
78.0%
SStep 3.7 Flash
77.3%
AnthropicClaude Opus 4.5
77.1%
OGPT-5.1
77.1%
AlibabaQwen3.8 27B
77.0%
ZGLM 5
77.0%
DeepSeekDeepSeek V4 Pro 0813
77.0%
AlibabaQwen3.5 397B A17B
76.9%
GoogleGemini 3.5 Flash Lite
76.9%
GoogleGemma 4 31B
76.7%
AnthropicClaude Opus 4.8
76.4%
DeepSeekDeepSeek V4 Pro 0423
76.4%
DeepSeekDeepSeek V4.1 Flash
76.2%
ZGLM 5.3
76.1%
AlibabaQwen3.5-122B-A10B
76.1%

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.

Ver tabla (los 60 mejores)
PuestoModeloDesarrolladorPuntuaciónCosto medio por pregunta
1#1AnthropicClaude Fable 5Anthropic79.9%$0.9265
2#2XiaomiMiMo-V2.6-FlashXiaomi79.3%$0.0204
3#3AnthropicClaude Fable 5.1Anthropic79.2%$0.7162
4#4AnthropicClaude Opus 5Anthropic78.6%$0.4868
5#5GoogleGemini 3.7 FlashGoogle78.5%$0.1149
6#6ANova Micro 1.0Amazon78%$1.2758
7#7SStep 3.7 FlashStepFun77.3%$0.0201
8#8AnthropicClaude Opus 4.5Anthropic77.1%$0.5319
9#9OGPT-5.1OpenAI77.1%$0.4149
10#10AlibabaQwen3.8 27BAlibaba77%$0.0811
11#11ZGLM 5Z.ai77%$0.0447
12#12DeepSeekDeepSeek V4 Pro 0813DeepSeek77%$0.1001
13#13AlibabaQwen3.5 397B A17BAlibaba76.9%$0.1697
14#14GoogleGemini 3.5 Flash LiteGoogle76.9%$0.0978
15#15GoogleGemma 4 31BGoogle76.7%$0.0282
16#16AnthropicClaude Opus 4.8Anthropic76.4%$0.4977
17#17DeepSeekDeepSeek V4 Pro 0423DeepSeek76.4%$0.0399
18#18DeepSeekDeepSeek V4.1 FlashDeepSeek76.2%$0.0315
19#19ZGLM 5.3Z.ai76.1%$0.062
20#20AlibabaQwen3.5-122B-A10BAlibaba76.1%$0.169
21#21ZGLM 5.3Z.ai76%$0.016
22#22AnthropicClaude Opus 4.7Anthropic75.9%$0.4192
23#23GoogleGemini 3.1 Pro PreviewGoogle75.8%$0.3592
24#24ZGLM 5.3 FlashZ.ai75.6%$0.0067
25#25AlibabaQwen3.8 2.4T A95BAlibaba75.5%$0.1978
26#26ZGLM 5.1Z.ai75.4%$0.0778
27#27xGrok 4.6xAI75.3%$0.3309
28#28AnthropicClaude Sonnet 5Anthropic75.3%$0.1994
29#29OGPT-5.4OpenAI75.3%$0.2916
30#30GoogleGemini 3 Flash PreviewGoogle75.3%$0.1221
31#31OGPT-5.3-CodexOpenAI75.3%$0.2997
32#32OGPT-5.5OpenAI75.1%$0.4875
33#33DeepSeekDeepSeek V4 Flash Vision ExpDeepSeek74.8%$0.0302
34#34AnthropicClaude Opus 4.6Anthropic74.7%$0.4898
35#35AnthropicClaude Sonnet 5.5Anthropic74.7%$0.1787
36#36GoogleGemini 3.6 FlashGoogle74.7%$0.2141
37#37OGPT-5.6 SolOpenAI74.7%$0.184
38#38MetaMuse Glimmer 30BMeta74.7%$0.0374
39#39AnthropicClaude Sonnet 4.6Anthropic74.6%$0.3238
40#40DeepSeekDeepSeek V4 Flash 0423DeepSeek74.4%$0.0111
41#41AnthropicClaude Opus 5.5Anthropic74.3%$0.3458
42#42AlibabaQwen3.6 27BAlibaba74.3%$0.1343
43#43Moonshot AIKimi K2.6Moonshot AI74.1%$0.0733
44#44MiniMaxMiniMax M3MiniMax74.1%$0.0235
45#45DeepSeekDeepSeek V3.2DeepSeek74%$0.0299
46#46OGPT-5.6 Sol ProOpenAI73.7%$1.288
47#47XiaomiMiMo-V2.5-ProXiaomi73.6%$0.0304
48#48DeepSeekDeepSeek V4 Flash 0731DeepSeek73.4%$0.0092
49#49OGPT-5.2OpenAI73.3%$0.2413
50#50OGPT-5.6 TerraOpenAI73.1%$0.1054
51#51GoogleGemini 3.5 FlashGoogle73.1%$0.3988
52#52OGPT-6 Astra ProOpenAI72.7%$2.9136
53#53ZGLM 5.2Z.ai72.7%$0.034
54#54Moonshot AIKimi K2.7 CodeMoonshot AI72.6%$0.0736
55#55AnthropicClaude Sonnet 4.5Anthropic72.4%$0.3328
56#56ZGLM 4.6Z.ai72.1%$0.0499
57#57ZGLM 4.7Z.ai72.1%$0.0581
58#58NVIDIANemotron 3 UltraNVIDIA72%$0.1515
59#59AlibabaQwen3.7 MaxAlibaba72%$0.4029
60#60GoogleGemini 3.1 Flash LiteGoogle72%$0.0932

Source: OpenRouter evals (openrouter.ai) via OpenRouter (openrouter.ai/rankings). Licensed under CC BY 4.0.

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: Artificial Analysis (artificialanalysis.ai) via OpenRouter (openrouter.ai/rankings). Source: OpenRouter evals (openrouter.ai) via OpenRouter (openrouter.ai/rankings). Source: Design Arena (www.designarena.ai) via OpenRouter (openrouter.ai/rankings). Licensed under CC BY 4.0. Source: OpenRouter (openrouter.ai/rankings), as of 2026-10-05. Licensed under CC BY 4.0. https://openrouter.ai/rankings