¿Qué medidas miden estos parámetros?

MMLU prueba el conocimiento general en 57 sujetos. HumanEval mide la generación de código. GSM8K prueba el razonamiento matemático. HellaSwag evalúa el sentido común.

¿Las puntuaciones superiores siempre son mejores?

Para la mayoría de los puntos de referencia, sí. Pero el rendimiento del mundo real depende de su caso de uso específico, estilo rápido y requisitos de latencia.

Comparación de parámetros de referencia modelo AI

Compare las puntuaciones de referencia en los principales modelos de IA — MMLU, HumanEval, GSM8K y más— para encontrar el mejor modelo para su caso de uso.

Benchmark scores from published leaderboards (2025). Higher is better for all metrics.

Model	MMLU	HumanEval	GSM8K	HellaSwag	Cost/1M

Click column headers to sort. Scores are approximate and may vary by evaluation method.

Was this tool helpful?

Send output to:

How to use AI Model Benchmark Comparison

Seleccione modelos para comparar de la lista.
Ver resultados en varias categorías de referencia.
Ordenar por cualquier referencia para encontrar el mejor modelo para su tarea.

¿Cómo se llama?

Los modelos de IA diferentes sobresalen en diferentes tareas. Esta herramienta le permite comparar las puntuaciones de referencia a través de GPT-4o, Claude Sonnet, Gemini Pro, Llama 3, Mistral y otros modelos sobre pruebas estandarizadas como MMLU (conocimiento general), HumanEval (codificación), GSM8K (math), y HellaSwag (reasoning). Utilice estas comparaciones para elegir el modelo adecuado para su carga de trabajo específica: ya sea codificación, matemáticas, escritura creativa o conocimiento general

FAQ

¿Qué medidas miden estos parámetros?: MMLU prueba el conocimiento general en 57 sujetos. HumanEval mide la generación de código. GSM8K prueba el razonamiento matemático. HellaSwag evalúa el sentido común.
¿Las puntuaciones superiores siempre son mejores?: Para la mayoría de los puntos de referencia, sí. Pero el rendimiento del mundo real depende de su caso de uso específico, estilo rápido y requisitos de latencia.

Related tools

Author

Omar Hassan"The Number Cruncher"

Engineer & Unit Conversion Specialist

Omar is a mechanical engineer by training and a unit-conversion enthusiast by passion. He has built calibration systems for aerospace and automotive manufacturers and knows firsthand how a single decimal error can cost millions in rework. His mission is to make every conversion instant, accurate, and accessible to everyone, whether they are a student, tradesperson, or practicing engineer, with no advanced degree required.

📖 AI Model Benchmark Comparison on Wikipedia·Calculators & Converters on Wikipedia·AI Model Benchmark Comparison on Britannica

Comparación de parámetros de referencia modelo AI

Something went wrong

How to use AI Model Benchmark Comparison

¿Cómo se llama?

FAQ

Related tools

Author

People also use

Ad blocker detected

Keyboard shortcuts