Clasificación de LLM y ranking de modelos de IA

Leer estos números

Un ranking de LLM te dice qué modelo prefiere la gente; un benchmark de IA te dice de forma objetiva lo que un modelo puede hacer; los datos de uso te dicen qué modelos acaban realmente en producción. Ningún ranking responde por sí solo a la pregunta «cuál es el mejor modelo de IA», así que esta página combina las tres fuentes — el Elo de Chatbot Arena de arena.ai, el índice de inteligencia de Artificial Analysis y las speech arenas, y la cuota de tokens de OpenRouter — y las actualiza a diario.

arena.ai (formerly LMArena) muestra a los usuarios dos respuestas anónimas a la misma pregunta y les pide que elijan una, luego deriva una calificación Elo de esas batallas. Mide qué respuesta prefiere la gente — no la capacidad objetiva. Un estilo agradable puede ganar, mientras que una respuesta rigurosa pero verbosa puede perder.

Los votos son las batallas que un modelo ha acumulado. Un modelo recién listado tiene pocos votos y un amplio intervalo de confianza, por lo que su rango varía fácilmente — siempre lea el rango junto con el intervalo ±.

El panel de Agent funciona de manera diferente al resto: mide sesiones reales de agentes en lugar de preferencia por voto ciego. Su métrica principal, Net Improvement, es un porcentaje de ganancia — no una calificación Elo — por lo que no se puede comparar entre paneles. arena.ai también reporta cinco dimensiones más (Confirmed Success, Steerability, Bash Recovery y otras) en el leaderboard completo.

El tablero de uso proviene de OpenRouter y cuenta la participación real de tokens de API — los desarrolladores votan con sus billeteras, lo que complementa los tableros de preferencia subjetiva.

Los paneles de voz provienen de Artificial Analysis: TTS usa el Elo de Speech Arena mediante escucha ciega; ASR usa AA-WER v2, donde un valor más bajo es mejor; y el Speech-to-Speech nativo usa un compuesto de igual ponderación de Big Bench Audio, Full Duplex Bench y τ-Voice, donde un valor más alto es mejor. Compara las puntuaciones solo dentro del mismo panel. Fuente: artificialanalysis.ai.

El tablero de Intelligence Index proviene de Artificial Analysis: destila muchos benchmarks públicos en un único Intelligence Index de 0 a 100, midiendo la capacidad objetiva en lugar de la preferencia subjetiva — un complemento natural para la votación ciega humana de arena.ai. Fuente: artificialanalysis.ai.