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.
También llamado: arena, LLM leaderboard, model leaderboard
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Los leaderboards convierten los resultados de los benchmarks en una tabla. Algunos clasifican los modelos en un solo benchmark de IA, como una prueba de programación o de embeddings. Otros combinan muchos benchmarks en un único índice, como el Artificial Analysis Index. Otros, llamados arenas, clasifican los modelos según la frecuencia con la que la gente prefiere sus respuestas en comparaciones a ciegas lado a lado.
Arenas
La más conocida es Chatbot Arena (consulta LMArena). Los usuarios chatean con dos modelos anónimos y votan la mejor respuesta. El artículo que la describe explica que usa comparación por pares y votos colectivos, y que se había convertido en uno de los leaderboards de LLM más citados. Los votos se convierten en puntuaciones con una puntuación de tipo Elo. Las arenas captan lo que gusta a la gente en el chat abierto, algo que las pruebas fijas no ven, pero también premian el estilo, la longitud y el formato.
Cómo leer uno
Comprueba qué se mide y quién hizo las pruebas: los responsables del leaderboard o los fabricantes de modelos con sus propias cifras. Mira los intervalos de confianza; los modelos separados por pocos puntos suelen estar empatados estadísticamente. Revisa la fecha, ya que las clasificaciones cambian rápido. Desconfía de la contaminación de benchmarks y de los modelos ajustados al formato de un leaderboard.
Nuestros propios rankings recogen puntuaciones públicas por tarea. Trata cualquier leaderboard como una lista corta de partida, y después prueba los primeros con tus propios datos.
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.
- Puntuación Elo (arenas de modelos)
- Una puntuación Elo, en las arenas de modelos, es una cifra calculada a partir de muchos votos cara a cara entre pares de modelos, de modo que la diferencia entre dos puntuaciones predice con qué frecuencia se preferirá la respuesta de un modelo frente a la del otro.
- LMArena
- LMArena, conocida al principio como Chatbot Arena, es una plataforma pública que clasifica modelos de IA mediante votos humanos colectivos: los usuarios ven cómo dos modelos anónimos responden al mismo prompt y eligen la mejor respuesta.
- 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.
- Contaminación de benchmarks
- La contaminación de benchmarks (benchmark contamination) se produce cuando un modelo ha visto durante el entrenamiento las preguntas o respuestas de prueba de un benchmark, de modo que su puntuación en él exagera lo bien que resuelve problemas nuevos del mismo tipo.