Benchmark de precisión factual de la IA: 94 modelos clasificados por resultados medidos

1. N.º 1Claude Fable 5.2AnthropicPrecio de lista 8,00 US$ / 40,00 US$3,20 US$ / 16,00 US$con crédito de API de AIGROWUsa Claude Fable 5.2 hasta un 60% por debajo del precio de listaCertificado como auténtico por AIGROW el 11 de noviembre de 2026
2. N.º 3Gemini 4 ArgonGooglePrecio de lista 2,00 US$ / 10,00 US$1,00 US$ / 5,00 US$con crédito de API de AIGROWUsa Gemini 4 Argon hasta un 50% por debajo del precio de listaCertificado como auténtico por AIGROW el 11 de noviembre de 2026
3. N.º 4GPT-6 AstraOpenAIPrecio de lista 10,00 US$ / 50,00 US$2,50 US$ / 12,50 US$con crédito de API de AIGROWUsa GPT-6 Astra hasta un 75% por debajo del precio de listaCertificado como auténtico por AIGROW el 11 de noviembre de 2026

Dólares estadounidenses por millón de tokens de entrada / salida. Certificado como auténtico por AIGROW significa que el modelo superó la comprobación propia de AIGROW frente al mismo modelo en su fabricante el 11 de noviembre de 2026. Ningún fabricante de modelos lo revisó ni lo avaló.

Qué mide

SimpleQA Verified: 1000 preguntas breves sobre política, ciencia, arte, deporte, lugares, música y más, cada una con una única respuesta correcta. La puntuación es el porcentaje de respuestas acertadas. Lo ejecuta Epoch AI.

Qué deja fuera

Mide la capacidad de recordar datos breves, no respuestas largas ni fuentes, y a los modelos se les indica que respondan aunque tengan que adivinar, en lugar de decir que no lo saben.

Cómo leer el margen

Cada resultado lleva un intervalo del 95%, con 1,96 errores estándar a cada lado, tal como los publica Epoch AI; un promedio combina los errores de sus pruebas. Cuando dos intervalos se solapan, las pruebas no pueden decir qué modelo es mejor. Las filas siguen numeradas por puntuación, y cada fila indica cuántos modelos situados por encima se solapan con ella.

Configuración

Bajo cada resultado figura el ajuste de razonamiento con el que Epoch AI ejecutó el modelo, tal como lo nombra, y el día de la ejecución. Si un modelo se ejecutó con varios ajustes, cuenta el mejor resultado.

La segunda columna

El panel de factualidad de LMArena combina sus votos a ciegas con comprobaciones de los hechos de cada respuesta: se extraen afirmaciones de las respuestas y las verifican agentes de búsqueda, y por defecto las comprobaciones pesan un 25% de la puntuación. Se muestra junto a la prueba, no se usa para clasificar.

Sin actualizar desde hace más de 120 días

Un resultado obtenido más de 120 días antes de los datos más recientes de estas páginas lleva esta marca, para poder sopesar un resultado antiguo como tal.

Precios

El precio de lista por millón de tokens, tomado de la página de precios del propio fabricante y consultado el 12 de noviembre de 2026. Es un precio por token, no por respuesta: un nivel de razonamiento más alto gasta más tokens en la misma pregunta. Cuando el crédito de API de AIGROW vende un modelo, el precio de lista aparece tachado y el precio con el crédito figura debajo.

Fuente: Epoch AI, SimpleQA Verified (datos del 12 de noviembre de 2026), con licencia CC BY 4.0; LMArena, conjunto de datos de la clasificación (revisión 4217986c, publicada el 9 de noviembre de 2026), con licencia CC BY 4.0. No modificamos ninguna puntuación: añadimos los precios y los enlaces a nuestras páginas de modelos.