Clasificados según el tráfico de producción real de OrcaRouter y los votos de la comunidad en Battle Mode, no según benchmarks declarados por los proveedores.
Un ranking combinado por modelo — votos de LMArena, benchmarks independientes, adopción del ecosistema y evidencia de producción de OrcaRouter, con pesos públicos fijos. Los modelos nuevos entran desde el primer día a partir de evidencia externa.
| Puesto | Modelo | Puntuación compuesta | Fiabilidad | $/1M mixto | Volumen | Impulso | Evidencia |
|---|---|---|---|---|---|---|---|
| #1 | DeepSeek: DeepSeek V4 Flash | 80.8 | 99.46% · 620ms | $0.22$0.147 → $0.295 per 1M tokens | 19% | — | τ² 95.0τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 19.1%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #2 | Z.ai: GLM 5.2 | 72.3 | 99.24% · 4178ms | $2.90$1.4 → $4.4 per 1M tokens | 1%▼ | — | τ² 99.1τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 4.1%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #3 | DeepSeek: DeepSeek V4 Pro | 69.7 | 99.88% · 929ms | $0.66$0.442 → $0.884 per 1M tokens | 5%▼ | — | τ² 96.2τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 3.3%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #4 | MiniMax: MiniMax M3 | 63.6 | 99.95% · 10000ms | $0.75$0.3 → $1.2 per 1M tokens | <1%▼ | — | τ² 88.9τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 2.0%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #5 | Anthropic: Claude Fable 5 | 61.8 | 99.30% · 6919ms | $30.00$10 → $50 per 1M tokens | <1%▲ | — | τ² 98.5τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 0.3%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #6 | Anthropic: Claude Opus 4.8 | 60.7 | 99.47% · 8132ms | $15.00$5 → $25 per 1M tokens | <1%▼ | — | τ² 94.4τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 0.4%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #7 | Google: Gemini 3.1 Pro Preview | 60.4 | 99.23% · 10000ms | $7.00$2 → $12 per 1M tokens | <1%▼ | — | τ² 95.6τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 0.3%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #8 | openai/gpt-5.5-2026-04-23 | 60.3 | 99.07% · 3363ms | $27.50$10 → $45 per 1M tokens | <1%▲ | — | τ² 93.9τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 0.4%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #9 | OpenAI: GPT-5.6 Sol | 60.3 | 99.14% · 6288ms | $17.50$5 → $30 per 1M tokens | <1%▼ | — | τ² 85.1τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 1.4%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #10 | Z.ai: GLM 5 | 60.0 | 99.83% · 3142ms | $2.10$1 → $3.2 per 1M tokens | <1%▲ | — | τ² 98.2τ²-Bench — benchmark agéntico de uso de herramientas, vía Artificial Analysis.OR 0.1%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
LMArena leaderboard dataset (CC-BY-4.0) — lmarena.ai · Source: OpenRouter (openrouter.ai/rankings) · SWE-bench Verified — swebench.com · Artificial Analysis — artificialanalysis.ai
Tasas de victoria por pares en Battle Mode: con qué frecuencia cada modelo gana a cada rival cara a cara.
Puntuaciones de inteligencia independientes representadas frente al precio de entrada. La línea discontinua es la frontera de Pareto precio/inteligencia.
Dos respuestas anónimas, un voto. Tus batallas alimentan el 20 % de evidencia de producción del rango consolidado.
Dos modelos anónimos responden al mismo prompt. Lee ambos, vota por el ganador y luego descubre quién escribió qué: tu voto alimenta la clasificación de arriba.
Cada número de esta página está medido, nunca autoinformado. Este es el método completo detrás del ranking combinado — las mismas reglas para cada modelo, todos los días.
Cada modelo recibe una puntuación compuesta de cuatro familias de evidencia independientes: preferencia humana a ciegas 40 %, benchmarks independientes 30 %, evidencia de producción de OrcaRouter 20 % y adopción del ecosistema 10 %. Los pesos son fijos y públicos — sin ajustes editoriales, sin puestos pagados, sin envíos de proveedores.
La preferencia humana proviene del Elo comunitario de LMArena — votos ciegos por pares en las arenas de texto y visión (CC-BY-4.0). Los benchmarks independientes combinan Artificial Analysis (Intelligence Index más programación, matemáticas, GPQA Diamond y τ²-Bench) con SWE-bench Verified, la proporción de issues reales de GitHub resueltos. La evidencia de producción es propia de OrcaRouter: tasas de victoria en Blind Battle más telemetría en vivo de la pasarela — tasa de éxito, latencia y volumen de tokens enrutados. La adopción usa la cuota de tokens publicada por OpenRouter.
Las fuentes puntúan en escalas distintas (Elo, índices 0–100, % resuelto), así que cada señal se estandariza contra el tablero actual y se proyecta a 0–100: 50 es la media del tablero y cada 15 puntos equivalen a una desviación estándar, con topes en los extremos. Un modelo necesita al menos dos familias de evidencia independientes para clasificar, y el tablero lista el top 25 por puntuación compuesta.
Los tableros de texto, programación, visión, matemáticas, razonamiento y agentes recalculan la misma mezcla con señales propias del segmento — programación cambia a los benchmarks de código y SWE-bench Verified, visión usa la arena de visión de LMArena — y las Blind Battles solo emparejan modelos del mismo segmento.
Los feeds externos se actualizan a diario y la telemetría propia es en vivo; los modelos nuevos entran con evidencia externa en las 48 horas posteriores a su lanzamiento. No se usan cifras autoinformadas de proveedores en ningún punto, el buzz comunitario se muestra solo como contexto y nunca alimenta un puesto, y cada fuente externa está acreditada bajo el tablero.
Cada modelo recibe una puntuación combinada de cuatro familias de evidencia — preferencia humana a ciegas (LMArena), benchmarks independientes (Artificial Analysis, SWE-bench), fiabilidad de producción de OrcaRouter y adopción del ecosistema (OpenRouter) — con pesos públicos fijos de 40 / 30 / 20 / 10.
Los modelos nuevos entran al ranking a partir de evidencia externa dentro de las 48 horas posteriores a su lanzamiento. El puesto se consolida a medida que se acumulan batallas comunitarias y tráfico de producción.
Las fuentes externas se refrescan a diario y la telemetría de OrcaRouter es en vivo; la fecha de actualización aparece en la cabecera.
Un modelo necesita al menos dos fuentes de evidencia independientes para clasificarse, y el tablero muestra el top 25 por puntuación compuesta; los modelos con evidencia insuficiente permanecen fuera hasta que otra fuente los cubra.
Sí — los botones sobre la tabla consolidada alternan entre los rankings de texto, programación, visión, matemáticas, razonamiento y agentes, y las batallas solo emparejan modelos comparables.
Cuando un modelo reúne tres familias de evidencia, incluidas las batallas y el tráfico propios de OrcaRouter, su puesto se basa en la mezcla completa y no solo en evidencia externa.
LMArena (CC-BY-4.0), Artificial Analysis, SWE-bench y OpenRouter, más la telemetría de producción de OrcaRouter — todo atribuido bajo el tablero.
Difícil: pesos públicos, sin cifras autodeclaradas, y las batallas ciegas más el tráfico real anclan cada puntuación.
Sí — exportación JSON/CSV, insignia de rango insertable y feed RSS de cambios, gratis con atribución. Enlaces en el pie de página.