Registro de cambios

Sigue los últimos benchmarks de modelos de IA, evaluaciones de rendimiento y actualizaciones de la plataforma.

Ocultar endpoints de API

El registro de cambios comienza el 24 dic 2025 para las entradas de imagen, vídeo y voz

13 ago 2026

Gemini 3.7 Flash: On the Intelligence vs. Time per Task Pareto frontier

Google has released Gemini 3.7 Flash, improving 4 points over Gemini 3.6 Flash and reaching the Intelligence vs. Time per Task Pareto frontier

🔔 Nuevo artículo publicado

Announcing Optima: create a custom benchmark for your use case

Optima is a new platform for benchmarking models on your own workloads. Build a benchmark from your own files, agent traces or coding environment, run it across leading models in a single click, and compare quality alongside cost per task and time per task.

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Qwen3.8 2.4T A95B

Índice de Inteligencia: 58

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemini 3.7 Flash (medium)

Índice de Inteligencia: 53

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemini 3.7 Flash (low)

Índice de Inteligencia: 51

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemini 3.7 Flash (high)

Índice de Inteligencia: 56

Resultados de rendimiento ya disponibles en Alibaba Cloud

Qwen3.8 2.4T A95B

Resultados de rendimiento ya disponibles en Modular

MiniMax-M3

Resultados de rendimiento ya disponibles en Google

Gemini 3.7 Flash (medium)

Gemini 3.7 Flash (low)

Gemini 3.7 Flash (high)

12 ago 2026

🔔 Nuevo artículo publicado

Upstage Solar Pro 4: Benchmarks and analysis

Upstage has released Solar Pro 4

🔔 Nuevo artículo publicado

Grok 4.6 returns SpaceXAI to the intelligence frontier and leads on cost efficiency

SpaceXAI returns to the intelligence frontier with strengths in agentic performance and cost efficiency

Nuevos resultados de evaluación de modelos de lenguaje disponibles

DeepSeek V4 Pro 0813 (Reasoning, Max Effort)

Índice de Inteligencia: 53

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Solar Open2 250B

Índice de Inteligencia: 37

Nuevos resultados de evaluación de modelos de lenguaje disponibles

A.X-K2

Índice de Inteligencia: 35

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Motif 3

Índice de Inteligencia: 47

Nuevos resultados de evaluación de modelos de lenguaje disponibles

K-EXAONE 2.0 0803

Índice de Inteligencia: 31

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Solar Pro 4

Índice de Inteligencia: 42

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Grok 4.6 (high)

Índice de Inteligencia: 61

Resultados de rendimiento ya disponibles en DeepSeek

DeepSeek V4 Pro 0813 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Together AI

gpt-oss-120b (high)

Resultados de rendimiento ya disponibles en Upstage

Solar Pro 4

Resultados de rendimiento ya disponibles en SpaceXAI

Grok 4.6 (high)

11 ago 2026

🔔 Nuevo artículo publicado

NVIDIA launches Nemotron 3.5 Lightning

Efficient on-device scale intelligence

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Nemotron 3.5 Lightning

Índice de Inteligencia: 24

Resultados de rendimiento ya disponibles en CompactifAI

Qwen3.6 27B (Non-reasoning)

Qwen3.6 27B (Reasoning)

Resultados de rendimiento ya disponibles en Fireworks

Kimi K3 (max)

Nemotron 3.5 Lightning

Resultados de rendimiento ya disponibles en GMI

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Nemotron 3.5 Lightning

Resultados de rendimiento ya disponibles en CoreWeave

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Nemotron 3.5 Lightning

Resultados de rendimiento ya disponibles en Novita

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en DigitalOcean

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Wafer

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en DeepInfra

Muse Glimmer (high)

Nemotron 3.5 Lightning

Resultados de rendimiento ya disponibles en Together AI

Muse Glimmer (high)

Resultados de rendimiento ya disponibles en Nebius

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Nemotron 3.5 Lightning

10 ago 2026

🔔 Nuevo artículo publicado

Muse Glimmer: Benchmarks and analysis

Independent analysis and benchmarks of Meta's Muse Glimmer

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Muse Glimmer (high)

Índice de Inteligencia: 35

Resultados de rendimiento ya disponibles en Baseten

DeepSeek V4 Pro (Reasoning, Max Effort)

Inkling (xhigh)

Inkling Small

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

GLM-5.2 (Non-reasoning)

GLM-5.2 (max)

Kimi K2.7 Code

07 ago 2026

Resultados de rendimiento ya disponibles en DeepInfra

Ling 3.0 Flash

Resultados de rendimiento ya disponibles en Novita

Ling 3.0 Tiny

Resultados de rendimiento ya disponibles en Together AI

Qwen3.5 9B (Non-reasoning)

Resultados de rendimiento ya disponibles en Vidu

Vidu Q3 Turbo

Resultados de rendimiento ya disponibles en Runware

MiniMax H3

Vidu Q3 Turbo

Resultados de rendimiento ya disponibles en fal.ai

Vidu Q3 Turbo

MiniMax H3

Resultados de rendimiento ya disponibles en Prodia

MiniMax H3

Resultados de rendimiento ya disponibles en MachGen

Vidu Q3 Turbo

MiniMax H3

Resultados de rendimiento ya disponibles en Replicate

Vidu Q3 Turbo

Resultados de rendimiento ya disponibles en MiniMax

MiniMax H3

Resultados de rendimiento ya disponibles en WaveSpeed

MiniMax H3

06 ago 2026

🔔 Nuevo artículo publicado

Launching v4.1.1 of the Artificial Analysis Intelligence Index

Our latest patch release, upgrading grader models and 𝜏³-Banking

Artificial Analysis Intelligence Index methodology

Artificial Analysis Intelligence Index v4.1.1

What's changed

𝜏³-Banking moved to upstream v1.0.1: The evaluation now runs the tau2-bench v1.0.1 dataset and grader, replacing the frozen v1.0 dataset.
Upgraded grader for HLE, AA-LCR and AA-Omniscience: All three are now graded by GPT-5.6 Luna (medium), replacing GPT-4o (Aug '24), Qwen3 235B A22B 2507 Non-Reasoning and Gemini 3 Flash Preview (Reasoning) respectively.

The contributing evaluations and their weights are unchanged from v4.1.

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Ling 3.0 Tiny

Índice de Inteligencia: 25

Resultados de rendimiento ya disponibles en InclusionAI

Ling 3.0 Tiny

05 ago 2026

🔔 Nuevo artículo publicado

Muse Spark 1.2: Benchmarks and analysis

Independent analysis and benchmarks of Meta's Muse Spark 1.2

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Qwen3.8 Max

Índice de Inteligencia: 58

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Ling 3.0 Flash

Índice de Inteligencia: 38

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Muse Spark 1.2 (xhigh)

Índice de Inteligencia: 57

Resultados de rendimiento ya disponibles en Alibaba Cloud

Qwen3.8 Max

Resultados de rendimiento ya disponibles en InclusionAI

Ling 3.0 Flash

Resultados de rendimiento ya disponibles en Meta

Muse Spark 1.2 (xhigh)

Resultados de rendimiento ya disponibles en Baseten

Kimi K3 (max)

04 ago 2026

🔔 Nuevo artículo publicado

Launching the Endpoint Accuracy Index: Same Model, Different Accuracy

Announcing the Artificial Analysis Endpoint Accuracy Index, measuring how much of an open weights model's accuracy each serverless API endpoint preserves

03 ago 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

G9v3-39A5B

Resultados de rendimiento ya disponibles en Parasail

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Fireworks

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en SiliconFlow

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en DeepInfra

Inkling Small

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en AI9Stars

G9v3-39A5B

31 jul 2026

🔔 Nuevo artículo publicado

DeepSeek V4 Flash 0731 scores 50 on the Artificial Analysis Intelligence Index, 10 points above previous DeepSeek V4 Flash

DeepSeek releases DeepSeek V4 Flash 0731

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Celeris-1

Índice de Inteligencia: 12

Nuevos resultados de evaluación de modelos de lenguaje disponibles

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Índice de Inteligencia: 52

Resultados de rendimiento ya disponibles en Wafer

Kimi K3 (max)

Resultados de rendimiento ya disponibles en Celeris

Celeris-1

Resultados de rendimiento ya disponibles en DeepSeek

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

30 jul 2026

🔔 Nuevo artículo publicado

Inkling Small lands within a point of Inkling on the Artificial Analysis Intelligence Index with less than a third of the parameters

Thinking Machines' new Inkling Small scores 40 on the Artificial Analysis Intelligence Index, within a point of its flagship sibling Inkling with less than a third of the total and active parameters

⚖️ Metodología de benchmarking de inteligencia de Artificial Analysis

We have updated our Cost per Task methodology, resulting in slight absolute increases in cost estimates but with minimal impact on relative positioning.

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Kimi K3 (low)

Índice de Inteligencia: 48

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Inkling Small

Índice de Inteligencia: 41

Resultados de rendimiento ya disponibles en Kimi

Kimi K3 (low)

Resultados de rendimiento ya disponibles en Thinking Machines

Inkling Small

29 jul 2026

🔔 Nuevo artículo publicado

Agnes AI releases Agnes 2.5 Pro Alpha

Agnes 2.5 Pro Alpha

28 jul 2026

Resultados de rendimiento ya disponibles en Upstage

Solar Pro 3

Resultados de rendimiento ya disponibles en Databricks

Kimi K3 (max)

Resultados de rendimiento ya disponibles en Modal

Kimi K3 (max)

Resultados de rendimiento ya disponibles en Parasail

Kimi K3 (max)

Resultados de rendimiento ya disponibles en SiliconFlow

LongCat 2.0

Hy3

Resultados de rendimiento ya disponibles en Amazon Bedrock

Claude Sonnet 5 (Non-reasoning, High Effort)

GPT-5.6 Terra (Non-reasoning)

GPT-5.6 Luna (Non-reasoning)

GPT-5.6 Sol (Non-reasoning)

GPT-5.6 Sol (max)

GPT-5.6 Terra (max)

GPT-5.6 Luna (max)

Resultados de rendimiento ya disponibles en DeepInfra

MiniMax-M3

Inkling (xhigh)

Resultados de rendimiento ya disponibles en Together AI

Inkling (xhigh)

Resultados de rendimiento ya disponibles en DigitalOcean

Kimi K3 (max)

27 jul 2026

Resultados de rendimiento ya disponibles en Makora

Kimi K3 (max)

Resultados de rendimiento ya disponibles en Together AI

Kimi K3 (max)

Resultados de rendimiento ya disponibles en Nebius

Kimi K3 (max)

25 jul 2026

Resultados de rendimiento ya disponibles en Fireworks

Kimi K3 (max)

24 jul 2026

🔔 Nuevo artículo publicado

Claude Opus 5: the new leader in agentic knowledge work

Claude Opus 5 is the new leader on our agentic knowledge work benchmark, AA-Briefcase, outperforming Claude Fable 5 by nearly 150 Elo while reducing Cost per Task by 20%

🔔 Nuevo artículo publicado

Opus 5: Fable 5 level intelligence at a lower cost per task

Claude Opus 5 is narrowly the most intelligent model on the Artificial Analysis Intelligence Index, offering comparable intelligence to Fable 5 at 26% lower Cost per Task

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Opus 5 (Adaptive Reasoning, Low Effort)

Índice de Inteligencia: 52

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Opus 5 (Adaptive Reasoning, Medium Effort)

Índice de Inteligencia: 59

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Opus 5 (Adaptive Reasoning, High Effort)

Índice de Inteligencia: 61

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)

Índice de Inteligencia: 63

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Opus 5 (Adaptive Reasoning, Max Effort)

Índice de Inteligencia: 63

Resultados de rendimiento ya disponibles en Google

Claude Opus 5 (Adaptive Reasoning, Low Effort)

Claude Opus 5 (Adaptive Reasoning, Medium Effort)

Claude Opus 5 (Adaptive Reasoning, High Effort)

Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)

Claude Opus 5 (Adaptive Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Amazon Bedrock

Claude Opus 5 (Adaptive Reasoning, Low Effort)

Claude Opus 5 (Adaptive Reasoning, Medium Effort)

Claude Opus 5 (Adaptive Reasoning, High Effort)

Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)

Claude Opus 5 (Adaptive Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Anthropic

Claude Opus 5 (Adaptive Reasoning, Low Effort)

Claude Opus 5 (Adaptive Reasoning, Medium Effort)

Claude Opus 5 (Adaptive Reasoning, High Effort)

Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)

Claude Opus 5 (Adaptive Reasoning, Max Effort)

23 jul 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Agnes 2.5 Pro Alpha

Índice de Inteligencia: 40

Resultados de rendimiento ya disponibles en Agnes (NG)

Agnes 2.5 Pro Alpha

Resultados de rendimiento ya disponibles en Crusoe

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en Novita

KAT Coder Pro V2

Resultados de rendimiento ya disponibles en CoreWeave

MiniMax-M3

22 jul 2026

🔔 Nuevo artículo publicado

How Thinking Machines Lab’s Inkling performs on agentic knowledge work

Thinking Machines Lab’s Inkling scores an Elo of 836 on on our agentic knowledge work benchmark AA-Briefcase

Nuevos resultados de evaluación de modelos de lenguaje disponibles

G9v3-3B

Resultados de rendimiento ya disponibles en AI9Stars

G9v3-3B

21 jul 2026

🔔 Nuevo artículo publicado

Kimi K3: second only to Fable 5 on AA-Briefcase

Kimi K3 is second only to Fable 5 on AA-Briefcase, our agentic knowledge work benchmark, but costs more than Opus 4.8 to run while averaging nearly an hour per task

🔔 Nuevo artículo publicado

Gemini 3.6 Flash and Gemini 3.5 Flash-Lite: Halving Time per Task

Google has released Gemini 3.6 Flash and Gemini 3.5 Flash-Lite. Both halve time per task relative to their predecessors and increase token efficiency, Gemini 3.5 Flash-Lite improves by 11 Intelligence Index points while Gemini 3.6 Flash does not improve in intelligence over 3.5 Flash

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemini 3.6 Flash (high)

Índice de Inteligencia: 52

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemini 3.5 Flash-Lite

Índice de Inteligencia: 37

Resultados de rendimiento ya disponibles en GMI

Hy3

Resultados de rendimiento ya disponibles en DeepInfra

Hy3

Resultados de rendimiento ya disponibles en Thinking Machines

Inkling (xhigh)

Resultados de rendimiento ya disponibles en Google

Gemini 3.5 Flash-Lite

20 jul 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Motif 3 (Beta)

Resultados de rendimiento ya disponibles en Nebius

GLM-5.2 (Non-reasoning)

MiniMax-M3

Resultados de rendimiento ya disponibles en SiliconFlow

GLM-5.2 (Non-reasoning)

Resultados de rendimiento ya disponibles en Wafer

GLM-5.2 (Non-reasoning)

Resultados de rendimiento ya disponibles en DeepInfra

Gemma 4 E4B (Reasoning)

Gemma 4 E4B (Non-reasoning)

17 jul 2026

🔔 Nuevo artículo publicado

Four frontier launches in eight days: six labs now field a model above 50 on the Artificial Analysis Intelligence Index

Yeah. Grok 4.5, GPT-5.6, Muse Spark 1.1, and Kimi K3 all launched within eight days. Six labs now have a model scoring above 50 on the Artificial Analysis Intelligence Index, up from two in early June - and the price of near-frontier intelligence has collapsed

🔔 Nuevo artículo publicado

Kimi K3 achieves #3 in the Artificial Analysis Intelligence Index, comparable to Opus 4.8 and GPT-5.5

Benchmarks and Analysis of Kimi K3

16 jul 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Kimi K3 (max)

Índice de Inteligencia: 60

Resultados de rendimiento ya disponibles en Kimi

Kimi K3 (max)

Resultados de rendimiento ya disponibles en MachGen

LTX-2.3 Pro

Wan 2.2 A14B

15 jul 2026

🔔 Nuevo artículo publicado

Thinking Machines has released Inkling, the new leading U.S. open weights model

Thinking Machines has released Inkling, the new leading U.S. open weights model, debuting at 41 on the Artificial Analysis Intelligence Index

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Inkling (xhigh)

Índice de Inteligencia: 42

14 jul 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

LongCat 2.0

Índice de Inteligencia: 34

13 jul 2026

🔔 Nuevo artículo publicado

How GPT-5.6 Sol, Terra, Luna compare on intelligence vs cost

GPT-5.6 Sol and Luna are ahead of Terra at every point on the Intelligence vs Cost per Task chart. GPT-5.6 Luna stands out as a particularly cost efficient model

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Hy3

Índice de Inteligencia: 42

Resultados de rendimiento ya disponibles en Amazon Bedrock

Claude 4 Sonnet (Reasoning)

Resultados de rendimiento ya disponibles en Novita

Hy3

10 jul 2026

🔔 Nuevo artículo publicado

Muse Spark 1.1: Meta gains 8 Intelligence Index points in three months

Meta's Muse Spark 1.1 scores 51 on the Artificial Analysis Intelligence Index and is cost and token efficient compared to its peers

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GLM-5.2 (Non-reasoning)

Índice de Inteligencia: 35

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Muse Spark 1.1 (xhigh)

Índice de Inteligencia: 53

Resultados de rendimiento ya disponibles en Scaleway

GLM-5.2 (Non-reasoning)

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en Meta

Muse Spark 1.1 (xhigh)

Resultados de rendimiento ya disponibles en Google

Gemini 3.6 Flash (high)

09 jul 2026

🔔 Nuevo artículo publicado

GPT-5.6 benchmarks across Intelligence, Speed and Cost

GPT-5.6 Sol comes close second to Claude Fable 5 in the Artificial Analysis Intelligence Index at one third of the cost, and leads the Artificial Analysis Coding Agent Index in OpenAI’s Codex harness

Nuevos resultados de evaluación de modelos de lenguaje disponibles

JT-4.1 Flash 236B A21B

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Sol (xhigh)

Índice de Inteligencia: 59

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Sol (max)

Índice de Inteligencia: 61

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Sol (high)

Índice de Inteligencia: 57

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Sol (medium)

Índice de Inteligencia: 56

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Sol (low)

Índice de Inteligencia: 51

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Terra (max)

Índice de Inteligencia: 57

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Terra (xhigh)

Índice de Inteligencia: 53

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Terra (high)

Índice de Inteligencia: 50

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Terra (medium)

Índice de Inteligencia: 47

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Terra (low)

Índice de Inteligencia: 41

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Luna (max)

Índice de Inteligencia: 52

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Luna (xhigh)

Índice de Inteligencia: 50

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Luna (high)

Índice de Inteligencia: 47

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Luna (medium)

Índice de Inteligencia: 39

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Luna (low)

Índice de Inteligencia: 34

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Luna (Non-reasoning)

Índice de Inteligencia: 27

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Sol (Non-reasoning)

Índice de Inteligencia: 42

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.6 Terra (Non-reasoning)

Índice de Inteligencia: 35

Resultados de rendimiento ya disponibles en OpenAI

GPT-5.6 Terra (max)

GPT-5.6 Sol (xhigh)

GPT-5.6 Terra (Non-reasoning)

GPT-5.6 Luna (low)

GPT-5.6 Terra (xhigh)

GPT-5.6 Sol (medium)

GPT-5.6 Terra (medium)

GPT-5.6 Luna (medium)

GPT-5.6 Luna (max)

GPT-5.6 Sol (Non-reasoning)

GPT-5.6 Sol (low)

GPT-5.6 Terra (high)

GPT-5.6 Luna (xhigh)

GPT-5.6 Luna (Non-reasoning)

08 jul 2026

🔔 Nuevo artículo publicado

Announcing EnterpriseOps-Gym-AA

Our independent leaderboard for ServiceNow’s EnterpriseOps-Gym

🔔 Nuevo artículo publicado

Grok 4.5 brings SpaceXAI to the intelligence frontier

SpaceXAI’s Grok 4.5 scores 54 to place fourth on the Artificial Analysis Intelligence Index following only Fable 5, GPT-5.5, and Opus 4.8. It scores on par with GPT-5.5 in Codex on the Artificial Analysis Coding Agent Index in the Grok Build harness, at much lower cost

🔔 Nuevo artículo publicado

Announcing Harvey LAB-AA: evaluating AI agents on real-world legal work

Our implementation of Harvey's Legal Agent Benchmark tests language models on 120 private legal tasks spanning 24 practice areas, graded against rubrics of binary criteria.

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Grok 4.5 (high)

Índice de Inteligencia: 56

Resultados de rendimiento ya disponibles en SpaceXAI

Grok 4.5 (high)

06 jul 2026

🔔 Nuevo artículo publicado

Announcing AutomationBench-AA

Our independent leaderboard for Zapier’s AutomationBench

Resultados de rendimiento ya disponibles en Novita

NVIDIA Nemotron 3 Nano 30B A3B (Non-reasoning)

NVIDIA Nemotron 3 Nano 30B A3B (Reasoning)

Resultados de rendimiento ya disponibles en Makora

GLM-5.2 (max)

02 jul 2026

Resultados de rendimiento ya disponibles en Microsoft Azure

Claude Sonnet 5 (Adaptive Reasoning, Max Effort)

01 jul 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Sonnet 5 (Non-reasoning, High Effort)

Índice de Inteligencia: 43

Resultados de rendimiento ya disponibles en Nebius

Kimi K2.7 Code

Resultados de rendimiento ya disponibles en DeepInfra

Step 3.7 Flash

Resultados de rendimiento ya disponibles en Anthropic

Claude Sonnet 5 (Non-reasoning, High Effort)

Resultados de rendimiento ya disponibles en Makora

Gemma 4 26B A4B (Reasoning)

Gemma 4 26B A4B (Non-reasoning)

Resultados de rendimiento ya disponibles en Google

Claude Sonnet 5 (Adaptive Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Alibaba Cloud

30 jun 2026

🔔 Nuevo artículo publicado

Claude Sonnet 5: strong agentic performance at a higher cost per task

Claude Sonnet 5 achieves 53 on the Artificial Analysis Intelligence Index, but without promotional pricing will cost more per task than Opus 4.8

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Sonnet 5 (Adaptive Reasoning, Max Effort)

Índice de Inteligencia: 55

Resultados de rendimiento ya disponibles en Amazon Bedrock

Claude Sonnet 5 (Adaptive Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Anthropic

Claude Sonnet 5 (Adaptive Reasoning, High Effort)

Claude Sonnet 5 (Adaptive Reasoning, Medium Effort)

Claude Sonnet 5 (Adaptive Reasoning, Low Effort)

Claude Sonnet 5 (Adaptive Reasoning, Xhigh Effort)

Claude Sonnet 5 (Adaptive Reasoning, Max Effort)

29 jun 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

DiffusionGemma 26B A4B

Resultados de rendimiento ya disponibles en Cerebras

Gemma 4 31B (Non-reasoning)

Gemma 4 31B (Reasoning)

28 jun 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GPT-5.5 Instant (June 2026)

Índice de Inteligencia: 29

Resultados de rendimiento ya disponibles en OpenAI

GPT-5.5 Instant (June 2026)

24 jun 2026

🔔 Nuevo artículo publicado

Measuring time per task in AA-Briefcase

Agentic knowledge work can take frontier models over 20 minutes per task, as measured in AA-Briefcase, our new benchmark

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Nex-N2-Pro

Índice de Inteligencia: 42

Resultados de rendimiento ya disponibles en SiliconFlow

Nex-N2-Pro

Resultados de rendimiento ya disponibles en Nebius

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en Runware

Resultados de rendimiento ya disponibles en Lightricks

LTX-2.3 Fast

LTX-2.3 Pro

Resultados de rendimiento ya disponibles en Replicate

LTX-2.3 Pro

Vidu Q3 Pro

Wan 2.2 A14B

Resultados de rendimiento ya disponibles en WaveSpeed

Vidu Q3 Pro

Resultados de rendimiento ya disponibles en fal.ai

Vidu Q3 Pro

Wan 2.2 A14B

Resultados de rendimiento ya disponibles en DeepInfra

Wan 2.2 A14B

23 jun 2026

🔔 Nuevo artículo publicado

Announcing the Artificial Analysis Speech to Speech Index

Announcing the Artificial Analysis Speech to Speech Index, our new synthesis metric for native Speech to Speech model quality, comprising of Big Bench Audio, Full Duplex Bench, and 𝜏-Voice

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Grok Build 0.1 0616

Índice de Inteligencia: 41

Resultados de rendimiento ya disponibles en CoreWeave

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en Databricks

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en SpaceXAI

Grok Build 0.1 0616

22 jun 2026

Resultados de rendimiento ya disponibles en Crusoe

Kimi K2.6

Kimi K2.6 (Non-reasoning)

21 jun 2026

Resultados de rendimiento ya disponibles en Baseten

GLM-5.2 (max)

19 jun 2026

Resultados de rendimiento ya disponibles en Groq

Qwen3.6 27B (Reasoning)

Qwen3.6 27B (Non-reasoning)

Resultados de rendimiento ya disponibles en Wafer

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en SiliconFlow

Gemma 4 12B (Non-reasoning)

Resultados de rendimiento ya disponibles en Together AI

GLM-5.2 (max)

18 jun 2026

🔔 Nuevo artículo publicado

Announcing AA-Briefcase: a frontier knowledge work evaluation

AA-Briefcase is a new benchmark for testing models on realistic knowledge work tasks in complex projects built by industry experts. Models are evaluated on multi-week knowledge work projects, each with many linked tasks and thousands of input source files, combining rubric and pairwise grading to evaluate verifiable task success, analytical quality, and presentation quality.

Resultados de rendimiento ya disponibles en Amazon Bedrock

Grok 4.3 (high)

Grok 4.3 (medium)

Grok 4.3 (low)

Grok 4.3 (Non-reasoning)

17 jun 2026

Resultados de rendimiento ya disponibles en Fireworks

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en FriendliAI

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en CoreWeave

Kimi K2.7 Code

16 jun 2026

🔔 Nuevo artículo publicado

GLM-5.2 is the new leading open weights model on the Artificial Analysis Intelligence Index

Benchmarks and Analysis of GLM-5.2

Nuevos resultados de evaluación de modelos de lenguaje disponibles

GLM-5.2 (max)

Índice de Inteligencia: 53

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Kimi K2.7 Code

Índice de Inteligencia: 43

Resultados de rendimiento ya disponibles en Novita

GLM-5.2 (max)

Kimi K2.7 Code

Resultados de rendimiento ya disponibles en GMI

GLM-5.2 (max)

Kimi K2.7 Code

Resultados de rendimiento ya disponibles en DeepInfra

GLM-5.2 (max)

Kimi K2.7 Code

Resultados de rendimiento ya disponibles en Parasail

GLM-5.2 (max)

Kimi K2.7 Code

MiniMax-M3

Resultados de rendimiento ya disponibles en SiliconFlow

GLM-5.2 (max)

Resultados de rendimiento ya disponibles en Kimi

Kimi K2.7 Code

Resultados de rendimiento ya disponibles en Together AI

Kimi K2.7 Code

MiniMax-M3

15 jun 2026

🔔 Nuevo artículo publicado

Artificial Analysis Intelligence Index v4.1: a shift toward agentic workloads

Announcing Artificial Analysis Intelligence Index v4.1: a shift toward agentic workloads, featuring upgraded benchmarks and new per-task metrics

12 jun 2026

🔔 Nuevo artículo publicado

First results from AA-AgentPerf: the hardware benchmark for the agent era

AA-AgentPerf measures how many concurrent agents an AI system can serve on real coding-agent trajectories while meeting production service-level targets, with Agents per Megawatt as its lead metric. The first results cover NVIDIA and AMD systems, from single accelerators to full racks.

11 jun 2026

🔔 Nuevo artículo publicado

Benchmarking guardrail models for safety, refusal, and latency

An Artificial Analysis benchmark report for guardrail safety models.

Nuevos resultados de evaluación de modelos de lenguaje disponibles

HyperNova 60B 2605

Índice de Inteligencia: 18

Resultados de rendimiento ya disponibles en DeepInfra

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en Google

Claude Fable 5 (Adaptive Reasoning, Max Effort, Opus 4.8 Fallback)

10 jun 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemma 4 12B (Non-reasoning)

Resultados de rendimiento ya disponibles en Liquid AI

LFM2.5-8B-A1B

Resultados de rendimiento ya disponibles en CoreWeave

DeepSeek V4 Flash (Reasoning, High Effort)

Resultados de rendimiento ya disponibles en SiliconFlow

Gemma 4 12B (Reasoning)

Resultados de rendimiento ya disponibles en Microsoft Azure

Claude Fable 5 (Adaptive Reasoning, Max Effort, Opus 4.8 Fallback)

Resultados de rendimiento ya disponibles en Amazon Bedrock

GPT-5.4 (Non-reasoning)

GPT-5.5 (Non-reasoning)

09 jun 2026

🔔 Nuevo artículo publicado

Claude Fable 5 Launches at #1 on the Artificial Analysis Intelligence Index

Anthropic is nearly 5 points ahead of any other lab’s best model

🔔 Nuevo artículo publicado

Claude Fable 5: the first public Mythos-class model

Anthropic has released Claude Fable 5, the first publicly available Mythos-class model that ranks #1 in our agentic real-world knowledge work benchmark GDPval-AA

🔔 Nuevo artículo publicado

North Mini Code: Cohere's small coding-focused MoE model

Cohere just released North Mini Code, a small 30B parameter (3B active) open weights coding model that scores 27.6 on the Artificial Analysis Intelligence Index

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Fable 5 (Adaptive Reasoning, Max Effort, Opus 4.8 Fallback)

Índice de Inteligencia: 62

Nuevos resultados de evaluación de modelos de lenguaje disponibles

North Mini Code

Índice de Inteligencia: 20

Resultados de rendimiento ya disponibles en Anthropic

Claude Fable 5 (Adaptive Reasoning, Max Effort, Opus 4.8 Fallback)

Resultados de rendimiento ya disponibles en Cohere

North Mini Code

08 jun 2026

🔔 Nuevo artículo publicado

MiniMax-M3: Leading open weights model, once the weights are released

MiniMax-M3 scores 55 on the Artificial Analysis Intelligence Index. Once the weights are released, it will be the leading open weights model

Nuevos resultados de evaluación de modelos de lenguaje disponibles

LFM2.5-8B-A1B

07 jun 2026

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Gemma 4 12B (Reasoning)

05 jun 2026

Resultados de rendimiento ya disponibles en Parasail

MiMo-V2.5

04 jun 2026

🔔 Nuevo artículo publicado

NVIDIA Nemotron 3 Ultra released: fast, intelligent, and open

NVIDIA released Nemotron 3 Ultra today - the most intelligent open weights model from a US lab

Nuevos resultados de evaluación de modelos de lenguaje disponibles

MiniCPM5-1B (Reasoning)

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Nemotron 3 Ultra 550B A55B (Reasoning)

Índice de Inteligencia: 38

Resultados de rendimiento ya disponibles en DeepInfra

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en Novita

MiniMax-M3

MiMo-V2.5

Resultados de rendimiento ya disponibles en MiniMax

MiniMax-M3

Resultados de rendimiento ya disponibles en Parasail

Gemma 4 31B (Non-reasoning)

Resultados de rendimiento ya disponibles en Clarifai

Kimi K2.6 (Non-reasoning)

Resultados de rendimiento ya disponibles en Amazon Bedrock

GPT-5.4 (xhigh)

Resultados de rendimiento ya disponibles en SiliconFlow

MiniMax-M3

Resultados de rendimiento ya disponibles en GMI

MiniMax-M3

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en CoreWeave

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en Together AI

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en Lightning AI

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en SambaNova

Gemma 4 31B (Non-reasoning)

Gemma 4 31B (Reasoning)

Resultados de rendimiento ya disponibles en Nebius

Nemotron 3 Ultra 550B A55B (Reasoning)

Resultados de rendimiento ya disponibles en Blackbox AI

Nemotron 3 Ultra 550B A55B (Reasoning)

Nuevo modelo en el ranking de Imagen a Vídeo

grok-imagine-video-1.5

Elo de Imagen a Vídeo: 1328

03 jun 2026

🔔 Nuevo artículo publicado

Fun-Realtime-TTS: New Text to Speech model topping Artificial Analysis leaderboard

Alibaba's Fun-Realtime-TTS takes the #1 spot on the Artificial Analysis Speech Arena Leaderboard, surpassing Google's Gemini 3.1 Flash TTS and Inworld's Realtime TTS-2 Research Preview

Nuevos resultados de evaluación de modelos de lenguaje disponibles

MiniMax-M3

Índice de Inteligencia: 45

02 jun 2026

🔔 Nuevo artículo publicado

MAI-Transcribe-1.5: New Speech to Text model leading the accuracy-speed Pareto frontier

Microsoft has released MAI-Transcribe-1.5: an exceptionally fast speech transcription model at a speed factor of ~276x, while still achieving 2.4% on AA-WER (#3), leading the accuracy-speed Pareto frontier

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Qwen3.7 Plus

Índice de Inteligencia: 39

Resultados de rendimiento ya disponibles en Alibaba Cloud

Qwen3.7 Plus

01 jun 2026

🔔 Nuevo artículo publicado

AA-WER Streaming: New Speech to Text Streaming Benchmark

Announcing AA-WER Streaming, our new benchmark measuring streaming Speech to Text models on accuracy and latency for voice agent use cases. Pareto optimal models on this new benchmark include those from Cartesia, ElevenLabs, and Deepgram

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Step 3.7 Flash

Índice de Inteligencia: 31

Resultados de rendimiento ya disponibles en StepFun

Step 3.7 Flash

Resultados de rendimiento ya disponibles en Makora

DeepSeek V4 Flash (Reasoning, High Effort)

DeepSeek V4 Flash (Non-reasoning)

DeepSeek V4 Flash 0731 (Reasoning, Max Effort)

Nuevo modelo en el ranking de Texto a Imagen

Krea 2 Large

Elo de Texto a Imagen: 1224

Nuevo modelo en el ranking de Texto a Imagen

Krea 2 Medium

Elo de Texto a Imagen: 1216

Nuevo modelo en el ranking de Texto a Imagen

MAI-Image-2-Efficient

Elo de Texto a Imagen: 1181

Nuevo modelo en el ranking de Edición de Imagen

ImagineArt 2.0

Elo de Edición de Imagen: 1156

31 may 2026

🔔 Nuevo artículo publicado

Nemotron 3 Ultra announced: high-speed, leading US open weights intelligence

NVIDIA just announced the release of Nemotron 3 Ultra in Jensen Huang's Computex keynote: at 550B parameters (55B active), this is the largest Nemotron 3 model to date, and it is the most intelligent US open weights model

28 may 2026

🔔 Nuevo artículo publicado

Claude Opus 4.8 - The new #1 AI model

Anthropic retakes #1 on GDPval-AA and advances in terminal use and scientific reasoning

Nuevos resultados de evaluación de modelos de lenguaje disponibles

Claude Opus 4.8 (Adaptive Reasoning, Max Effort)

Índice de Inteligencia: 57

Resultados de rendimiento ya disponibles en Microsoft Azure

DeepSeek V4 Pro (Reasoning, High Effort)

DeepSeek V4 Pro (Non-reasoning)

Grok 4.3 (low)

Grok 4.3 (medium)

DeepSeek V4 Pro (Reasoning, Max Effort)

Grok 4.3 (high)

Resultados de rendimiento ya disponibles en Amazon Bedrock

Claude Opus 4.8 (Adaptive Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Google

Claude Opus 4.8 (Adaptive Reasoning, Max Effort)

Resultados de rendimiento ya disponibles en Anthropic

Claude Opus 4.8 (Adaptive Reasoning, Max Effort)

Nuevo modelo en el ranking de Texto a Imagen

Recraft V4.1 Utility Pro

Elo de Texto a Imagen: 1221

Nuevo modelo en el ranking de Texto a Imagen

Recraft V4.1 Pro

Elo de Texto a Imagen: 1193

27 may 2026

🚀 Nueva función del sitio web

Artificial Analysis ITBench-AA launch

Compare models on SRE tasks evaluating Kubernetes incident response, where models diagnose live systems by reading logs, tracing dependencies, and identifying root-cause entities. The underlying ITBench dataset is developed by IBM Research.

🔔 Nuevo artículo publicado

ITBench-AA: Agentic benchmark to test models on real-world SRE tasks

Artificial Analysis and IBM are launching ITBench-AA, the first in a new series of benchmarks evaluating models on agentic enterprise IT tasks, starting with Site Reliability Engineering tasks where frontier models score below 50%

Nuevos resultados de evaluación de modelos de lenguaje disponibles