Benchmark de matemáticas de IA: 92 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$con crédito de API de AIGROWUsa Claude Fable 5.2 hasta un 60% por debajo del precio de listaCertificado como auténtico por AIGROW el 11 de noviembre de 2026
2. N.º 2GPT-6.1 SolOpenAIPrecio de lista 2,00 US$ / 10,00 US$0,50 US$ / 2,50 US$con crédito de API de AIGROWUsa GPT-6.1 Sol hasta un 75% por debajo del precio de listaCertificado como auténtico por AIGROW el 11 de noviembre de 2026
3. N.º 3GPT-6 AstraOpenAIPrecio de lista 10,00 US$ / 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

FrontierMath Tiers 1-3: cientos de problemas escritos por expertos, desde nivel de grado avanzado hasta investigación incipiente, cada uno con una respuesta que un programa puede verificar. Lo ejecuta Epoch AI, que mantiene privados todos los problemas salvo unos pocos.

Qué deja fuera

Comprueba las respuestas finales, no las demostraciones ni las explicaciones.

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.

Quién lo financia

Epoch AI desarrolló FrontierMath con financiación de OpenAI, que tiene acceso exclusivo a un subconjunto de los problemas.

Cerca del techo

La puntuación máxima, 95,1%, ha alcanzado el techo de 95,0% que Epoch AI considera lo máximo que un modelo puede obtener en FrontierMath Tiers 1-3, dada la tasa de error conocida de la prueba. Cerca del techo, una prueba distingue peor a los modelos líderes.

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, FrontierMath Tiers 1-3 (datos del 12 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.