IA
Claude Opus 5 lidera benchmarks y cuesta menos que Fable 5
El modelo de Anthropic encabeza el Artificial Analysis Intelligence Index con 61 puntos y baja el costo por tarea hasta la mitad en los tramos de razonamiento intermedios.
The Decoder
Etiqueta
#benchmarks
26 notas publicadas
IA
Claude Opus 5 casi iguala a Fable 5 a mitad de precio
El nuevo modelo insignia de Anthropic lidera en programacion agentica y trabajo de conocimiento, y cuesta la mitad por token que Fable 5.
The Decoder
IA
Kimi K3: el modelo abierto de 2,8 billones que reta a Opus 4.8
Moonshot AI lanzo su modelo mas capaz, con pesos abiertos prometidos para el 27 de julio; supera a GPT-5.5 y Opus 4.8 en sus propios benchmarks, pero cobra como la gama Claude Sonnet.
Simon Willison
Robótica
RoboLab de NVIDIA evalua robots generalistas en simulacion
La plataforma mide no solo si un robot completa la tarea, sino cuando falla, por que falla y con cuanta confianza estadistica se puede afirmar que una politica es mejor que otra.
The Robot Report
Open Source
Graviton5 supera al Xeon Granite Rapids pero no al EPYC Turin
Los primeros benchmarks del nuevo procesador Arm de AWS lo ubican por delante del Intel Xeon 6, aunque todavía por debajo del AMD EPYC Turin en la nube EC2.
Phoronix Tests
IA
NVIDIA presenta RoboLab para evaluar robots de forma justa
La plataforma de NVIDIA Research busca resolver uno de los problemas sin resolver de la robótica: cómo medir de verdad si una política de control funcionará fuera del laboratorio.
NVIDIA Developer
IA
Muse Spark 1.1 de Meta supera a GLM-5.2 en programación
El modelo empata en el Intelligence Index de Artificial Analysis, gana el duelo de programación y llega con un costo por tarea más bajo que sus rivales directos.
The Decoder
IA
Grok 4.5 es tan barato que los benchmarks importan menos
El modelo de xAI queda detrás de Fable 5 y GPT-5.5 en varios benchmarks de programación, pero cuesta 2 dólares por millón de tokens de entrada y usa 4,2 veces menos tokens que Opus 4.8.
The Decoder
IA
GPT-5.6 Sol casi iguala a Fable 5 a un tercio del costo
El modelo insignia de OpenAI marca 59 puntos en el Intelligence Index de Artificial Analysis, a un punto de Fable 5, pero cuesta 1,04 dólares por tarea frente a 2,75.
The Decoder
IA
OpenAI: casi 30% del test de código SWE-Bench Pro falla
La empresa retira su respaldo al popular benchmark tras detectar que unas 200 de sus tareas están mal planteadas, y pide a la industria construir pruebas más confiables.
The Decoder
IA
OpenAI vence a todos los humanos en la final de AtCoder
En la final del AtCoder World Tour 2026, un sistema de OpenAI resolvió los cinco problemas de la división de algoritmos y superó por amplio margen a los mejores programadores competitivos del mundo.
The Decoder
IA
Databricks adopta GLM 5.2 como motor de código por defecto
El modelo abierto chino igualó a Opus 4.8 en un benchmark interno de Databricks a 1,28 dólares por tarea frente a 1,94, y pasa a ser el modelo de trabajo diario de sus desarrolladores.
The Decoder
IA
Claude Fable 5 lidera los benchmarks de industria a un precio alto
Los nuevos índices de Artificial Analysis colocan al modelo de Anthropic primero en finanzas, derecho y medicina, pero una sola tarea puede costar más de cien veces que una alternativa abierta.
The Decoder
Open Source
SpacemiT K3: primeros benchmarks de RVV 1.0 sobre RISC-V RVA23
Phoronix midió el impacto de la extensión vectorial en el SoC de 16 núcleos X100/A100 con Bianbu 4.0, Linux 6.18 y GCC 15.2, y descubrió que apagar RVV por sysfs simplemente rompe el sistema.
Phoronix Tests
IA
AISI británico: benchmarks fijos subestiman a los agentes IA
El AI Security Institute demostró que aumentar 10× el presupuesto de tokens sube el desempeño hasta 25 puntos en tareas de ingeniería de software y modifica la curva real de progreso del frontier.
The Decoder
IA
Paper de OpenAI filtra tres variantes Pro para GPT-5.6
Un benchmark de genómica lista por primera vez Luna Pro, Terra Pro y Sol Pro; Sol Pro alcanza 31,5% de pass rate en la prueba.
The Decoder
IA
Claude Sonnet 5 casi duplica el costo real por tarea
Consume 40% más tokens de salida que Sonnet 4.6 y triplica los ciclos de agente. El costo promedio salta de USD 1,20 a USD 2,29, aún más caro que el propio Opus 4.8.
The Decoder
IA
CEO-Bench: solo 3 modelos IA sobrevivieron 500 días de startup
Princeton diseñó un benchmark donde agentes IA dirigen una startup ficticia por 500 días simulados. La mayoría quiebra, y una heurística sin IA supera a casi todos los modelos probados.
The Decoder
Electrónica
NVIDIA Vera vs Ampere Altra Max: benchmarks ARM en Linux
Phoronix midió la CPU Olympus de 88 núcleos frente al SoC Altra Max de 128 Neoverse-N1, en igual stack Ubuntu 24.04 LTS sobre System76 Thelio Astra.
Phoronix Tests
IA
Claude Fable 5 cuesta el doble por solo 5,7% más rendimiento
El nuevo tope de gama de Anthropic lidera el Artificial Analysis Intelligence Index con 64,9 puntos, pero su corrida completa de benchmarks bordea los USD 10.000, el doble que Opus 4.8.
The Decoder
Open Source
ARM en Linux server: 7x más rápido en 8 años, 15x con Vera
Phoronix midió a NVIDIA Vera de 88 cores contra el Ampere eMAG de 32 cores de 2018, sobre Ubuntu 24.04 y GCC 16.1: el promedio geométrico mejora 7x solo por hardware ARM.
Phoronix Tests
IA
Blackwell HGX B200 marca récord STAC-AI en finanzas
El benchmark STAC-AI LANG6 con Llama 3.1 8B y 70B muestra hasta 2,8x más rendimiento por GPU frente a Hopper en cargas de inferencia con documentos EDGAR.
NVIDIA Developer
IA
ITBench-AA: ningun frontier LLM supera 50% en tareas SRE
El primer benchmark IBM-Artificial Analysis para agentes en operaciones IT de empresa coloca a Claude Opus 4.7 al frente con 47%, seguido por GPT-5.5 con 46% y Qwen3.7 Max con 42%.
Hugging Face
IA
Los LLM aciertan respuestas pero citan fuentes equivocadas
El benchmark CiteVQA de la Universidad de Pekín muestra que hasta el mejor modelo (Gemini 3.1 Pro Preview) saca solo 76/100 cuando se exige que la cita apunte al párrafo correcto del PDF.
The Decoder
IA
Gemini 3.5 Flash es 5,5 veces más caro que su predecesor
El modelo más rápido en su clase de inteligencia consume tantos tokens en tareas de agentes que supera incluso al Gemini 3.1 Pro en costo total.
The Decoder
IA
WorldReasonBench: Seedance lidera y la logica derriba a todos
Tsinghua publicó un benchmark de 400 casos en cuatro dimensiones de razonamiento; los modelos comerciales doblan a los open source, pero la lógica desnuda a toda la categoría.
The Decoder
Etiquetas relacionadas
Otros temas que aparecen junto a #benchmarks en nuestra cobertura editorial.