Artificial Analysis Intelligence Index
El Artificial Analysis Intelligence Index es una puntuación compuesta de la empresa de benchmarking Artificial Analysis que combina varias evaluaciones, de trabajo de conocimiento, programación, ciencia y cultura general, en un solo número para comparar modelos de lenguaje.
También llamado: Artificial Analysis, AA Intelligence Index
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Cada fabricante de modelos elige los benchmarks que le favorecen. Artificial Analysis ejecuta por su cuenta el mismo conjunto de evaluaciones en muchos modelos y combina los resultados en un único índice, para que los modelos puedan compararse sobre una base común. Muchas páginas de modelos de este sitio lo citan; consulta modelos y rankings.
Qué incluye
La versión 5.0.1 del índice combina nueve evaluaciones, entre ellas Terminal-Bench 4.0, HLE-Diamond (un subconjunto de Humanity's Last Exam) y varias pruebas propias de la empresa sobre trabajo de conocimiento agéntico. La puntuación es una media ponderada de cuatro categorías, Knowledge Work, Coding, Science y General, cada una con un peso del 25%. Varias tareas ejecutan el modelo como agente con herramientas en un sandbox.
Cómo leerlo
El índice es sobre todo un conjunto de pruebas de texto y en inglés. Artificial Analysis mide por separado el razonamiento visual, la voz y el rendimiento multilingüe. La propia empresa dice que, como cualquier métrica, tiene límites y puede no aplicarse a todos los casos de uso.
El conjunto de evaluaciones cambia entre versiones, así que una puntuación de una versión no se puede comparar con la de otra. Cuando veas una cifra del índice en un anuncio de lanzamiento o en un leaderboard, comprueba la versión. Una sola puntuación compuesta también oculta equilibrios: dos modelos con la misma puntuación pueden destacar en cosas distintas, así que mira las puntuaciones por categoría para el trabajo que te importa y haz tu propia evaluación de LLM antes de comprometerte.
Términos relacionados
- Benchmark de IA
- Un benchmark de IA (prueba de referencia) es un conjunto fijo y público de tareas con un método de puntuación acordado, que se usa para comparar modelos en la misma prueba, por ejemplo incidencias de código resueltas, preguntas de examen respondidas o calidad de recuperación en muchos conjuntos de datos.
- Leaderboard (IA)
- Un leaderboard de IA (tabla de clasificación) es una clasificación pública de modelos según sus puntuaciones en uno o más benchmarks o en votos de preferencia humana, que se actualiza a medida que se prueban modelos nuevos, para que se puedan comparar modelos lado a lado.
- Terminal-Bench
- Terminal-Bench es un benchmark para agentes de IA que trabajan en una terminal de línea de comandos, en el que cada tarea da al agente un entorno real y se puntúa con pruebas que comprueban si el trabajo se hizo de verdad.
- Humanity's Last Exam
- Humanity's Last Exam (HLE) es un benchmark de 2,500 preguntas escritas por expertos en decenas de materias, creado para ser muy difícil para los modelos de IA, con respuestas claras y comprobables que no se pueden encontrar rápidamente en internet.
- Evaluación de LLM
- La evaluación de LLM (LLM evaluation), a menudo llamada evals, consiste en medir lo bien que un modelo o una aplicación de IA realiza una tarea ejecutándolo sobre un conjunto de casos de prueba y puntuando las salidas según criterios definidos, con código, con personas o con otro modelo.