Cómo Evaluamos

Nuestro Podium Score combina cinco clasificaciones independientes en un solo número comparable.

La fórmula del Podium Score

Podium Score = 0,35·Arena + 0,30·Benchmarks + 0,20·Intelligence + 0,15·LLM Stats

• Arena (35%) — Valoración Elo de batallas de preferencia humana cara a cara (Arena.ai, 726 modelos, ponderada por votos con intervalos de confianza).
• Benchmarks (30%) — el promedio de todos los resultados de benchmarks normalizados que rastreamos para el modelo (25 benchmarks en total).
• Intelligence Index (20%) — el índice compuesto de inteligencia de Artificial Analysis.
• LLM Stats (15%) — la puntuación compuesta publicada por llm-stats.com.

Cuando una fuente no tiene valor para un modelo, su peso se redistribuye proporcionalmente entre las fuentes restantes — así un modelo nunca se penaliza por no aparecer en un ranking.

Normalización

Cada señal se normaliza por min-max a una escala de 0–100 en todos los 700 modelos rastreados, por lo que un 80 significa siempre "80% del camino entre el peor y el mejor modelo observado". Los benchmarks basados en porcentajes se usan tal cual; Elo, índices y precios se normalizan frente a sus rangos observados.

Puntuaciones por categoría

Además del ranking general mantenemos 17 rankings por categoría, cada uno construido con los benchmarks más relevantes para la tarea:

• Coding — SWE-Bench Verified, SWE-Bench Pro, LiveCodeBench, SciCode, Terminal-Bench, HumanEval.
• Math — AIME 2025, FrontierMath, MATH.
• Reasoning — GPQA Diamond, HLE, ARC-AGI-2.
• Agentic — OSWorld, Toolathlon, MCP Atlas, τ²-Bench Retail, Apex Agents.
• Knowledge — SimpleQA, MMLU-Pro, MMMLU.
• Multimodal — MMMU, MMMU-Pro, CharXiv-R, ScreenSpot-Pro.
• Coding Agents — SWE-Bench Verified, SWE-Bench Pro, Terminal-Bench Hard, τ²-Bench Retail.
• Scientific Reasoning — GPQA Diamond, Humanity’s Last Exam, SciCode.
• Multilingual — Multilingual MMLU.
• Writing — IFBench, Arena Elo.
• Chat & Assistants — Arena Elo, IFBench.
• Research — Humanity’s Last Exam, GPQA Diamond, MMLU-Pro.
• Tool Calling — Toolathlon, MCP Atlas, τ²-Bench Retail.
• Long Context — MRCR v2, Context window.
• Speed — Output tokens/s.
• Value — Blended price /1M, Cost per task.
• Open Weights — Podium Score.

Fuentes de datos

Todos los datos se agregan a partir de cinco rankings públicos:

• Arena.ai — last synced 2026-08-04.
• Artificial Analysis — last synced 2026-08-03.
• LLM Stats — last synced 2026-08-02.
• Vellum Leaderboard — last synced 2026-07-24.
• LLMBase — last synced 2026-08-04.

Frecuencia de actualización

Resincronizamos todas las fuentes semanalmente; los lanzamientos importantes de modelos activan una actualización inmediata. Última actualización completa: 2026-09-16.

Limitaciones

Ningún benchmark es perfecto y la preferencia en la arena no equivale a la idoneidad para la tarea. Usa los rankings por categoría y el herramienta de Comparación para decidir casos de uso específicos. Los modelos en preview están marcados y pueden moverse a medida que llegan más votos y resultados.