Explorador de benchmarks de agentes de IA
Una referencia citada de benchmarks reales de agentes de IA: filtra, compara y encuentra los que encajan con lo que quieres medir.
Abrir la herramienta →La herramienta interactiva se abre en inglés.
Una referencia seleccionada y citada de los benchmarks que evalúan agentes de IA (sistemas que actúan mediante herramientas, código, la web y trabajo profesional real) en lugar de chat de un solo turno. Filtra por dominio, método de calificación, año y abierto frente a propietario; ordena una tabla comparativa; y usa el selector «¿cuál encaja con mi caso de uso?» para obtener 2 o 3 recomendaciones con sus motivos. Cubre WorkBench, JobBench, WorkBuddy-Bench, BigLaw Bench (+ Research), SWE-bench, SWE-bench Verified, GAIA, τ-bench, τ²-bench, WebArena, BrowseComp, AssistantBench, MLE-bench y HarnessOpt-Bench, con una nota que marca como no confirmado el benchmark «LAB» que cita Harness². Fija hasta 4 benchmarks para una comparación centrada y copia un enlace que vuelve a abrir tus filtros, orden y selección exactos, todo codificado en la URL. La decisión que entrena: ajustar el método de calificación a lo que evalúas (comprobaciones de ejecución o de estado para trabajo verificable, rúbricas para resultados abiertos, coincidencia exacta para tareas de respuesta única). Las cifras son las que publican los autores de cada benchmark; las no confirmadas aparecen como «—» en lugar de una suposición, y cada fila enlaza a su fuente primaria. Última revisión: 2026-10-19. Es una herramienta Pro: con una cuenta gratuita tienes 3 usos y después necesitas Pro.
- Filtra por dominio, método de calificación, año y abierto frente a propietario.
- Ordena la tabla comparativa y fija hasta 4 benchmarks para compararlos lado a lado.
- Usa el selector de caso de uso: indica tu dominio, si necesitas calificación verificable y el tipo de tarea.
- Comprueba cada cifra en la fuente primaria enlazada y copia el enlace para compartir tu vista.
Preguntas frecuentes
¿Qué es un benchmark de agentes de IA y en qué se diferencia de un benchmark de modelos?
Un benchmark de agentes puntúa un sistema completo (un modelo más sus herramientas, su memoria y su bucle de control, su «harness» o arnés) en tareas de varios pasos que exigen actuar: llamar a herramientas, editar archivos, navegar por aplicaciones web o completar trabajo profesional. Se califica por los resultados (si el estado final coincide, si pasan los tests) y no por una única respuesta a un único prompt. Un benchmark de modelos, en cambio, suele medir un modelo aislado con preguntas estáticas. Todos los benchmarks de este explorador son benchmarks de agentes: WorkBench y τ-bench comprueban el estado final de la base de datos, SWE-bench y WorkBuddy-Bench ejecutan baterías de tests y GAIA usa respuestas de coincidencia exacta en tareas guiadas por herramientas.
¿Por qué importa tanto el método de calificación?
Porque el método de calificación decide lo que significa de verdad una puntuación. La calificación por coincidencia de estado y por batería de tests es verificable: la tarea llegó al estado final correcto o no, sin ningún juez de por medio, así que la cifra es difícil de manipular. La calificación con rúbrica (BigLaw Bench, JobBench) es la adecuada para trabajo profesional abierto en el que no hay una única salida correcta, pero depende de la calidad de la rúbrica y a menudo de un modelo o una persona que revisa. La coincidencia exacta (GAIA) es limpia, pero solo funciona cuando la respuesta es inequívoca. Al elegir un benchmark, ajusta su calificación a tu caso de uso en lugar de perseguir la cifra más llamativa: justo para eso sirve el selector de casos de uso de esta página.
¿Están verificados los recuentos de tareas y las puntuaciones de esta página?
Las cifras que se muestran son las publicadas por los propios autores de cada benchmark, y a propósito no inventamos ninguna. Cuando un recuento de tareas u otro detalle no se ha podido confirmar de forma independiente, el campo muestra «—» en lugar de una cifra supuesta, y una nota visible lo indica. Una entrada, un benchmark legal al que el artículo de Harness² llama «LAB», se incluye solo para dejar constancia de la referencia: no pudimos confirmar su definición, así que todos sus campos están en blanco. Comprueba siempre la fuente primaria (cada fila enlaza a ella) antes de citar una cifra.
¿Esta herramienta es gratis y envía mis datos a algún sitio?
Una cuenta gratuita incluye 3 usos de herramientas gratis, compartidos entre todas las herramientas; después la herramienta requiere Pro, que cuesta 5 USD al mes o 40 USD al año. El explorador es 100 % del lado del cliente: el conjunto de datos es estático y viene incluido en la página, todo el filtrado, la ordenación y el selector de casos de uso se ejecutan en tu navegador y nada de lo que seleccionas se envía a ningún servidor ni API. Los únicos enlaces salientes son a la página de origen de cada benchmark, que se abren en una pestaña nueva.