Versión exacta
Comprueba el identificador del modelo, la fecha y si el alias puede cambiar.
BENCHMARK DOCUMENTADO
GPQA Diamond
Resultados publicados y condiciones declaradas por sus fuentes. Las cifras solo son comparables cuando coinciden versión, configuración, métrica y fecha.
01 / RESULTADOS
Mediciones publicadas
| Modelo | Organización | Resultado | Métrica | Condiciones |
|---|---|---|---|---|
| GPT‑6 Astra | OpenAI | 96,0 % | Exactitud | Resultado del proveedor. |
| DeepSeek V4.1 Flash | DeepSeek | 90,9 % | Exactitud | DeepSeek Harness, esfuerzo max y configuración publicada. |
| Qwen3‑Max Thinking | Alibaba Qwen | 92,8 % | Exactitud | Escalado de inferencia publicado por Qwen. |
02 / INTERPRETACIÓN
Antes de comparar
Configuración equivalente
Revisa herramientas, esfuerzo, número de intentos, prompt y presupuesto de inferencia.
Transferencia a tu caso
Valida el resultado con tareas, idiomas, formatos y errores representativos de tu producto.
03 / MÉTODO
Del marcador a una decisión reproducible
Un benchmark público orienta, pero no sustituye una evaluación con tus datos, herramientas, presupuesto y tolerancia al error.
Identifica la versión exacta
Un alias móvil y un snapshot pueden producir resultados diferentes. Registra modelo, fecha y proveedor.
Reconstruye las condiciones
Prompt, razonamiento, herramientas, número de intentos y presupuesto deben ser equivalentes para comparar.
Busca incertidumbre
Una diferencia pequeña puede desaparecer entre ejecuciones. Conserva muestras, dispersión y fallos, no solo la media.
Comprueba transferencia
Valida si la mejora se mantiene en idiomas, formatos y casos reales cercanos a tu producto.
Una métrica solo es útil cuando conocemos la tarea, las condiciones y el error que importa. El resultado empieza por el diseño de la prueba.
ANÁLISIS
Análisis relacionados
DeepSeek R1 vs. DeepSeek V3.2: cómo decidir entre razonamiento explícito y eficiencia en un flujo revisable
Una comparación útil entre DeepSeek R1 y DeepSeek V3.2 no empieza por un benchmark publicado, sino por una tarea propia, un corpus congelado y una definición explícita de error material. Este protocolo permite medir si la deliberación adicional de R1 reduce errores y revisiones humanas o si V3.2 logra el mismo umbral con menor latencia, consumo y complejidad.
22 sep. 2026 ↗
AIME 2024: qué mide un porcentaje de aciertos en 30 problemas y por qué dos resultados aparentemente iguales pueden no ser comparables
Una cifra de AIME 2024 parece sencilla, pero puede resumir protocolos muy distintos. Esta guía explica qué representa el conjunto, cómo cambia el resultado según el número de intentos, la selección de respuestas, las herramientas y el arnés, y qué información pedir antes de comparar modelos.
22 sep. 2026 ↗04 / FUENTES