Model benchmarks
Puntos de referencia de modelos
| Modelos | ||||||
|---|---|---|---|---|---|---|
| GPT-4o | 51.4% | 66.1% | 31% | 60.3% | 72.09% | 27% |
| Claude 3.5 Sonnet | 18% | 65% | 49% | 76% | 65.46% | 55.6% |
| Claude 3.7 Sonnet | 23.3% | 68% | 62.3% | 82.2% | 68.3 | 60.4% |
| GPT-4.5 | 36.7% | 74.1% | 39% | n/a | 69.94% | 44.6% |
| DeepSeek V3 G324 | 58.4% | 64.9% | 38.6% | 81% | 68.05% | 58.1% |
| Claude 3.7 Sonnet [P] | 61.3% | 78.2% | 73.3% | 86.5% | 83.3% | 64.9% |
| OpenAI o1-mini | 63.6% | 60% | n/a | 90% | 62.2% | 52.8% |
| OpenAI o1 | 79.2% | 79.7% | 46.6% | 95.4% | 67.8% | 67% |
| OpenAI o1-mini-2 | 87.3% | 79.7% | 61% | 97.6% | 65.12% | 60.4% |
| Gemini 2.0 Pro | 52% | 84% | 63.6% | n/a | n/a | 72.5% |
| Gemini 3 (Beta) | 93.3% | 84.8% | n/a | n/a | n/a | n/a |
| Llama 4 Behemoth | n/a | 73.7% | n/a | 95% | n/a | n/a |
| Llama 4 Scout | n/a | 87.2% | n/a | n/a | n/a | n/a |
| Llama 4 Maverick | n/a | 88.8% | n/a | n/a | n/a | 58.6% |
| Gemini 3 Pro | n/a | 42.4% | 52.2% | 69% | n/a | 4.8% |
| Qwen 2.5-VL-32B | n/a | 46% | 18.8% | 82.2% | n/a | 69.84% |
| Gemini 2.0 Flash | n/a | 62.1% | 51.8% | 83.7% | 60.42 | 22.2% |
| Llama 3.1 70b | n/a | 50.5% | n/a | 77% | 77.5 | 61.45% |
| Nous Pro | n/a | 46.8% | n/a | 76.6% | 68.4% | 61.38% |
| Claude 3.5 Haiku | n/a | 49.8% | 40.5% | 68.4% | 64.31% | 28% |
| Llama 3.1 405b | n/a | 49% | n/a | 73.8% | 81.1% | n/a |
| GPT-4o-mini | n/a | 40.2% | n/a | 70.2% | 64.1 | 3.6% |
Detalles del modelo
GPT-4o (OpenAI)
Modelo multimodal que sobresale en evaluaciones académicas y razonamiento matemático. Muestra un fuerte rendimiento en razonamiento lógico (BFCL 72.09%) pero relativamente más débil en tareas del dominio automotriz.
Claude 3.5 Sonnet (Anthropic)
Modelo equilibrado con fuertes capacidades de codificación (SWE Bench 49%) y competencia matemática (MATH 500 76%). Comprensión mejorada del dominio automotriz en comparación con versiones anteriores.
Claude 3.7 Sonnet [P] (Anthropic)
Versión mejorada que muestra mejoras dramáticas en todos los puntos de referencia, particularmente en ingeniería de software (SWE Bench 73.3%) y lógica fundamental (BFCL 83.3%). Posible variante propietaria.
DeepSeek V3 G324
Modelo versátil con alto rendimiento en MMAE 2024 (58.4%) y excelentes capacidades matemáticas (MATH 500 81%). Mantiene un rendimiento consistente en todos los dominios.
OpenAI o1 Series
Modelos de próxima generación que muestran un rendimiento revolucionario en matemáticas (o1-mini-2: MATH 500 97.6%). La variante o1-mini-2 lidera en evaluaciones académicas (MMAE 87.3%) mientras mantiene fuertes habilidades de codificación.
Gemini 3 Series (Google)
La versión Beta muestra un rendimiento récord en MMAE 2024 (93.3%) pero con evaluación comparativa incompleta. La variante Pro parece especializada para diferentes tareas con resultados mixtos.
Llama 4 Series (Meta)
Variantes especializadas con la edición Maverick liderando en GPQA (88.8%). El modelo Behemoth muestra un fuerte razonamiento matemático (MATH 500 95%) mientras que la variante Scout sobresale en cuestionamiento académico.
Qwen 2.5-VL-32B
Modelo enfocado en visión por computadora con sorprendente rendimiento en el dominio automotriz (Aide Peugeot 69.84%). Muestra capacidades matemáticas decentes a pesar de puntuaciones más débiles en programación.
Nous Pro
Modelo de propósito general con rendimiento consistente de rango medio en todos los benchmarks. Muestra particular fortaleza en aplicaciones automotrices (61.38%) en comparación con modelos de tamaño similar.
Llama 3.1 Series
Modelos a gran escala que muestran fuertes capacidades de lógica fundamental (405b: BFCL 81.1%). La variante de 70b mantiene un rendimiento equilibrado en múltiples dominios.