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 | 83.7 | 99.34% · 620ms | $0.22$0.147 → $0.295 per 1M tokens | 19% | — | AA Code 69.1Puntuación de código de Artificial Analysis.OR 18.2%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #2 | OpenAI: GPT-5.6 Luna | 76.1 | 99.97% · 1392ms | $0.70$0.2 → $1.2 per 1M tokens | 16%▲ | — | AA Code 71.4Puntuación de código de Artificial Analysis.OR 5.3%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #3 | Tencent: Hy3 | 72.9 | 99.06% · 3891ms | $0.39$0.18 → $0.59 per 1M tokens | 7%▲ | — | AA Code 58.8Puntuación de código de Artificial Analysis.OR 8.8%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #4 | Anthropic: Claude Opus 5 | 72.5 | 99.32% · 6188ms | $15.00$5 → $25 per 1M tokens | <1% | — | AA Code 78.0Puntuación de código de Artificial Analysis.OR 1.6%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #5 | Z.ai: GLM 5.2 | 72.4 | 99.12% · 4036ms | $2.90$1.4 → $4.4 per 1M tokens | 1%▼ | — | AA Code 68.8Puntuación de código de Artificial Analysis.OR 3.7%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #6 | OpenAI: GPT-5.6 Sol | 71.7 | 99.24% · 6145ms | $12.00$4 → $20 per 1M tokens | <1%▼ | — | AA Code 77.4Puntuación de código de Artificial Analysis.OR 1.4%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #7 | DeepSeek: DeepSeek V4 Pro | 71.2 | 99.87% · 912ms | $0.66$0.442 → $0.884 per 1M tokens | 5%▼ | — | AA Code 68.8Puntuación de código de Artificial Analysis.OR 3.0%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #8 | MoonshotAI: Kimi K3 | 71.1 | 99.48% · 7611ms | $9.00$3 → $15 per 1M tokens | 2%▼ | — | AA Code 76.2Puntuación de código de Artificial Analysis.OR 1.4%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #9 | OpenAI: GPT-5.6 Terra | 68.9 | 99.98% · 4033ms | $7.00$2 → $12 per 1M tokens | 6%▼ | — | AA Code 76.7Puntuación de código de Artificial Analysis.OR 0.8%Cuota de tokens de OpenRouter — adopción real del ecosistema. |
| #10 | SpaceXAI: Grok 4.6 | 68.0 | 99.24% · 6450ms | $4.00$2 → $6 per 1M tokens | <1% | — | AA Code 76.8Puntuación de código de Artificial Analysis.OR 0.6%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.