Ir al contenido principal

Modelos de IA clasificados por tarea

Los votos públicos, tarea por tarea, junto a nuestras propias pruebas de hasta dónde llega cada modelo.

A 19 oct 2026, los líderes por tarea según los votos públicos son Wan 3.0 en texto a video, MiniMax H3 Max en imagen a video, Seedance 2.5 en referencia a video, GPT Image 2.5 Sunburst en texto a imagen y GPT Image 2.5 Sunburst en edición de imagen.

Clasificación de calidad de voz

Votos humanos independientes sobre síntesis de voz. Estas puntuaciones Elo no se incluyen en el Spicy Index.

Consultado el 29 sept 2026 · 5 modelos del catálogo identificados en una clasificación de 92 modelos.

  1. 1Gemini 3.8 Flash TTS
    1267 Elo95% CI 1251–1283

    2211 votos de escucha

  2. 2Gemini 3.8 Flash-Lite TTS
    1241 Elo95% CI 1225–1257

    2180 votos de escucha

  3. 3MiniMax Speech 2.8 HD
    1171 Elo95% CI 1160–1182

    4498 votos de escucha

  4. 4MiniMax Speech 2.8 Turbo
    1151 Elo95% CI 1140–1162

    4391 votos de escucha

  5. 5Chatterbox
    1023 Elo95% CI 1012–1034

    4603 votos de escucha

El orden usa estimaciones puntuales. Los intervalos de confianza del 95 % que se solapan no demuestran una diferencia clara de calidad.

Artificial Analysis

Cumplimiento de tareas con documentos largos

Seis documentos fijos compartidos, cuatro preguntas por documento: recuperación, razonamiento en varios pasos, hechos actualizados e información ausente. Se exigen respuestas correctas en JSON estricto; los puntos no entran en el Spicy Index.

  1. Claude Opus 5.5

    Actualizado el 30 sept 2026

    Entrada medida: 47.180–47.180 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  2. DeepSeek V4 Flash

    Actualizado el 30 sept 2026

    Entrada medida: 32.087–32.087 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  3. DeepSeek V4 Pro

    Actualizado el 30 sept 2026

    Entrada medida: 32.087–32.087 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  4. GLM 5.2

    Actualizado el 30 sept 2026

    Entrada medida: 38.336–38.429 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  5. GLM 5.3

    Actualizado el 30 sept 2026

    Entrada medida: 38.336–38.429 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  6. GLM 5.3 Flash

    Actualizado el 30 sept 2026

    Entrada medida: 38.336–38.429 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  7. Kimi K3

    Actualizado el 30 sept 2026

    Entrada medida: 32.084–32.086 tokens

    100,0 / 100

    24/24 respuestas correctas en el formato exigido

  8. Gemini 3.5 Flash-Lite

    Actualizado el 30 sept 2026

    Entrada medida: 53.282–53.282 tokens

    95,8 / 100

    23/24 respuestas correctas en el formato exigido

  9. Claude Opus 4.6

    Actualizado el 30 sept 2026

    Entrada medida: 33.716–33.716 tokens

    Muestras: 0 rechazos · 1 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    83,3 / 100

    20/24 respuestas correctas en el formato exigido

  10. Gemini 3 Flash Preview

    Actualizado el 30 sept 2026

    Entrada medida: 53.282–53.283 tokens

    Muestras: 0 rechazos · 1 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    83,3 / 100

    20/24 respuestas correctas en el formato exigido

  11. Grok 4.6

    Actualizado el 30 sept 2026

    Entrada medida: 32.211–32.211 tokens

    Muestras: 0 rechazos · 1 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    83,3 / 100

    20/24 respuestas correctas en el formato exigido

  12. Claude Sonnet 5

    Actualizado el 30 sept 2026

    Entrada medida: 47.178–47.178 tokens

    Muestras: 0 rechazos · 2 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    66,7 / 100

    16/24 respuestas correctas en el formato exigido

  13. Gemini 3.1 Pro Preview

    Actualizado el 30 sept 2026

    Entrada medida: 53.283–53.283 tokens

    Muestras: 0 rechazos · 2 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    66,7 / 100

    16/24 respuestas correctas en el formato exigido

  14. Grok 4.5

    Actualizado el 30 sept 2026

    Entrada medida: 32.211–32.211 tokens

    Muestras: 0 rechazos · 4 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    33,3 / 100

    8/24 respuestas correctas en el formato exigido

  15. Claude Opus 4.5

    Actualizado el 30 sept 2026

    Entrada medida: 33.716–33.745 tokens

    Muestras: 0 rechazos · 5 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    16,7 / 100

    4/24 respuestas correctas en el formato exigido

  16. Gemini 3.7 Flash

    Actualizado el 30 sept 2026

    Entrada medida: 53.283–53.283 tokens

    Muestras: 0 rechazos · 5 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    16,7 / 100

    4/24 respuestas correctas en el formato exigido

  17. Claude Opus 5

    Actualizado el 30 sept 2026

    Entrada medida: 47.178–47.178 tokens

    Muestras: 6 rechazos · 6 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    0,0 / 100

    0/24 respuestas correctas en el formato exigido

  18. Claude Sonnet 4.5

    Actualizado el 30 sept 2026

    Entrada medida: 33.745–33.745 tokens

    Muestras: 0 rechazos · 6 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    0,0 / 100

    0/24 respuestas correctas en el formato exigido

  19. Claude Sonnet 4.6

    Actualizado el 30 sept 2026

    Entrada medida: 33.716–33.716 tokens

    Muestras: 0 rechazos · 6 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    0,0 / 100

    0/24 respuestas correctas en el formato exigido

  20. Gemini 2.5 Flash

    Actualizado el 30 sept 2026

    Entrada medida: 53.282–53.282 tokens

    Muestras: 0 rechazos · 6 errores de formato JSON · 0 alcanzaron el límite de salida. Las categorías pueden solaparse.

    0,0 / 100

    0/24 respuestas correctas en el formato exigido

Todos los modelos reciben los mismos textos: 31.998 tokens de referencia por documento (o200k_base, tiktoken 0.14.0), con un límite de salida de 4.096 tokens. Los bloques de código cuentan como errores de formato aunque contengan respuestas correctas. Solo se publican seis muestras completadas. No mide el contexto máximo ni toda la batería de contexto largo.

Método de prueba

Transcripción de fragmentos breves en inglés

Seis fragmentos fijos de lectura de seis hablantes: 53,6 segundos y 146 palabras de referencia. Esta pequeña prueba no evalúa letras de canciones, habla con ruido ni la capacidad general de transcripción. No cuenta para el Spicy Index.

  • Grok STT

    Actualizado el 30 sept 2026

    2 sustituciones · 0 omisiones · 0 inserciones / 146 palabras de referencia

    1,37 % WER

    Cuanto menor, mejor

  • HeartMuLa Transcribe

    Actualizado el 30 sept 2026

    4 sustituciones · 0 omisiones · 2 inserciones / 146 palabras de referencia

    4,11 % WER

    Cuanto menor, mejor

La tasa de error por palabra (WER) suma sustituciones, omisiones e inserciones y divide el total entre las palabras de referencia. Se normalizan mayúsculas y puntuación de forma uniforme y se conservan los apóstrofos internos. Solo se muestran resultados completos de los seis fragmentos. El WER puede superar el 100 %.

Método de transcripción

Preguntas sobre las clasificaciones