Modelos de IA de Amazon: benchmarks y ranking
Amazon — puesto entre empresas: #18, puntuación general: 15.8, modelos: 3, mejor modelo: —.
Obteniendo datos de 11 leaderboards…
/
| Puesto | Modelo | Puntuación general | Artificial Analysis | LiveBench | Epoch AI | ARC-AGI | Scale SEAL | Vals AI | Terminal-Bench | EQ-Bench | SimpleBench | BenchLM |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 |  Anthropic | 92.5 | #1 | #2 | — | #2 | — | #1 | — | — | #1 | — |
| 2 |  OpenAI | 92.2 | #3 | #4 | #1 | #1 | #1 | #4 | #1 | — | #4 | #1 |
| 3 | Anthropic | 91.7 | #2 | #1 | #2 | #5 | #2 | #2 | #2 | — | #2 | #2 |
| 4 | Anthropic | 90.6 | #5 | #3 | #3 | #6 | — | #5 | #4 | #2 | — | #4 |
| 5 | Anthropic | 90.3 | #4 | #9 | #4 | #4 | — | #3 | #3 | #1 | #8 | #3 |
| 6 |  Meta | 89.0 | #6 | #5 | #15 | — | — | #6 | — | — | #7 | — |
| 7 | OpenAI | 88.0 | #8 | #6 | #6 | #3 | — | #7 | #7 | #9 | #23 | #5 |
| 8 | OpenAI | 86.9 | — | — | #5 | #9 | — | — | — | — | #10 | — |
| 9 | OpenAI | 86.5 | #7 | #11 | — | — | — | #8 | — | — | #15 | — |
| 10 | OpenAI | 85.2 | — | — | #9 | #13 | — | — | — | — | — | — |
| 11 |  Xiaomi | 85.2 | #10 | — | — | — | — | #16 | — | — | — | — |
| 12 |  DeepSeek | 84.7 | #22 | #6 | #28 | — | — | #20 | — | — | #21 | — |
| 13 |  xAI | 84.6 | #9 | #19 | — | — | — | #11 | #6 | — | — | — |
| 14 | OpenAI | 84.4 | #25 | #8 | #8 | #8 | — | #22 | — | #4 | #19 | #12 |
| 15 |  Google | 83.3 | #19 | #31 | #13 | #6 | #4 | #9 | #11 | — | #5 | #6 |
| 16 |  Moonshot AI | 83.3 | #15 | #11 | #12 | #24 | — | #21 | — | #3 | #33 | #8 |
| 17 |  Alibaba (Qwen) | 82.5 | #11 | #14 | #26 | — | — | #33 | — | — | — | #9 |
| 18 | xAI | 82.4 | #13 | #15 | #18 | #20 | — | #18 | #10 | — | #13 | #11 |
| 19 | Google | 82.1 | #23 | #13 | #11 | #9 | — | #17 | #15 | — | — | #14 |
| 19 | OpenAI | 82.1 | — | #15 | #14 | #16 | — | — | — | #7 | — | #13 |
| 21 | OpenAI | 82.1 | #16 | #18 | #7 | #12 | — | #13 | #9 | #11 | #53 | #7 |
| 22 | Meta | 82.0 | #21 | #15 | #27 | — | — | #23 | — | — | #14 | — |
| 22 |  Z.ai (Zhipu) | 82.0 | #12 | #28 | #22 | — | — | #24 | #5 | — | #22 | — |
| 24 | Anthropic | 81.4 | #17 | #26 | #10 | #17 | — | #10 | #8 | #6 | #23 | #10 |
| 25 | Anthropic | 80.1 | — | #25 | #19 | #15 | #9 | #25 | — | #5 | #26 | — |
| 26 | Alibaba (Qwen) | 78.7 | #20 | #26 | — | — | — | — | — | — | — | — |
| 27 | Anthropic | 77.8 | #26 | #30 | #20 | — | — | #13 | #13 | #10 | #34 | #15 |
| 28 | Google | 77.3 | #39 | #22 | #29 | #14 | #3 | #41 | — | #21 | #9 | — |
| 29 | DeepSeek | 76.1 | #29 | #19 | #24 | #23 | — | #32 | — | #18 | #51 | — |
| 30 | Meta | 76.0 | #33 | #33 | #33 | — | — | #28 | — | #8 | — | #16 |
| 31 | xAI | 75.5 | #24 | #31 | #34 | #32 | — | #34 | #13 | — | #18 | #18 |
| 32 | Anthropic | 74.8 | — | #37 | #25 | #19 | #10 | — | — | #13 | #20 | #20 |
| 33 | Meta | 74.2 | — | — | #39 | — | #6 | — | — | — | — | #27 |
| 34 | Google | 74.0 | #36 | #35 | #30 | #17 | — | #30 | — | #24 | #11 | #21 |
| 35 | DeepSeek | 74.0 | #31 | #38 | #31 | #22 | — | #29 | — | — | #31 | — |
| 36 | OpenAI | 73.8 | #27 | #40 | #21 | #28 | — | #12 | #12 | #19 | #55 | #17 |
| 37 | Google | 73.7 | #32 | #40 | #32 | #24 | — | #26 | — | — | — | #19 |
| 38 | Alibaba (Qwen) | 73.5 | #33 | #33 | — | — | — | #36 | — | — | — | — |
| 39 | OpenAI | 73.5 | #27 | #46 | — | #29 | — | #19 | — | — | — | — |
| 40 | Google | 70.4 | — | — | #37 | #37 | #7 | — | — | — | #12 | #26 |
| 41 | OpenAI | 70.0 | — | — | #16 | — | — | — | — | — | — | #24 |
| 42 | OpenAI | 69.9 | — | #35 | — | — | #12 | — | — | — | — | — |
| 43 | Z.ai (Zhipu) | 69.7 | #17 | #48 | #41 | — | — | #37 | — | — | — | — |
| 44 | OpenAI | 69.5 | — | — | #23 | #30 | — | — | — | — | #41 | — |
| 45 | Anthropic | 68.8 | #38 | #44 | #38 | #24 | — | #35 | — | #16 | — | #30 |
| 46 | Z.ai (Zhipu) | 68.6 | #33 | #42 | #43 | #38 | — | #30 | — | #14 | #38 | #23 |
| 47 | Alibaba (Qwen) | 66.2 | #40 | #43 | #35 | — | — | #38 | — | #23 | — | #22 |
| 48 | Alibaba (Qwen) | 65.8 | — | — | #53 | — | — | — | — | — | #25 | — |
| 49 | OpenAI | 65.2 | — | — | #36 | #31 | — | — | — | — | #58 | #25 |
| 50 | Alibaba (Qwen) | 63.4 | — | — | #52 | — | — | — | — | — | #36 | — |
| Puesto | Empresa | Puntuación general | Mejor modelo | Modelos |
|---|---|---|---|---|
| 1 | 86.7 | Claude Opus 5.5 | 27 | |
| 2 | 85.2 | GPT-6 Astra | 54 | |
| 3 | 77.7 | Muse Spark 1.3 | 23 | |
| 4 | 74.4 | Gemini 3.8 Flash | 33 | |
| 5 | 72.7 | Grok 4.7 | 13 | |
| 6 | 70.1 | MiMo-V2.6-Pro | 4 | |
| 7 | 69.8 | Kimi K3 | 5 | |
| 8 | 68.1 | Qwen3.8 Max | 46 | |
| 9 | 67.8 | DeepSeek V4.1 Flash | 22 | |
| 10 | 66.0 | GLM-5.3 | 10 | |
| 11 | 53.3 | — | 2 | |
| 12 | 42.0 | Inkling | 2 | |
| 13 | 40.3 | MiniMax-M3 | 5 | |
| 14 | 32.7 | — | 5 | |
| 15 | 29.6 | Nemotron 3 Ultra 550B A55B | 9 | |
| 16 | 17.6 | Mistral 3.5 | 26 | |
| 17 | 16.7 | Phi-4 | 6 | |
| 18 | 15.8 | — | 3 | |
| 19 | 13.3 | Mercury 2.5 | 1 | |
| 20 | 12.9 | Command R | 3 |
El resultado de una empresa en cada sitio es el de su mejor modelo allí.
Rendimiento frente a precio
Arriba a la izquierda = barato y potente. Haz clic en un punto para ver detalles.
Mejor relación calidad-precio
Puntuación general ÷ precio
Mejores modelos de pesos abiertos
Modelos con pesos públicos
Modelos más rápidos
Tokens de salida por segundo
Por país
Top 50 modelos
Concordancia entre leaderboards
Correlación de puestos en modelos comunes (1 = idénticos).
Cómo se calcula el ranking
- Obtención — Cada hora se obtienen los datos oficiales de los 11 leaderboards siguientes. No se usan puntuaciones marcadas como estimaciones.
- Unificación — Se unifican las distintas grafías de un mismo modelo. Para variantes como el nivel de razonamiento, se usa el mejor resultado de cada sitio.
- Estandarización — La métrica principal de cada sitio se estandariza dentro de ese sitio, conservando las diferencias de puntuación y no solo los puestos.
- Equiparación — Un modelo factorial, con los modelos presentes en varios sitios como puente, corrige la dificultad y la selección de modelos de cada sitio. Los sitios con más ruido pesan menos.
- Sin penalizar los datos que faltan — Cada modelo se puntúa solo con los sitios que lo evaluaron. La incertidumbre se muestra como un intervalo del 90 %. Se clasifican los modelos evaluados en 2 o más sitios.
- Arena — Arena (antes LMArena) solo se usa en los rankings por área, no en la puntuación general. Los modelos nuevos se añaden automáticamente.