HumanEval, MBPP y SWE-bench combinados.

Mejores modelos de IA para programación.

Modelos clasificados por sus benchmarks de programación publicados. SWE-bench (bugs reales en repos open-source) lleva el mayor peso — predice el comportamiento como agente. HumanEval (síntesis de funciones) y MBPP (programas Python pequeños) cubren la base.

Benchmarks usados: HUMANEVAL · 30% MBPP · 20% SWE BENCH · 50%

#	Modelo	Puntuación	Desde
1	Claude 3.5 Sonnet closed	92.0	Anthropic
2	Mistral Large 2 open	92.0	Mistral AI
3	Qwen 2.5 Coder 32B open	91.7	Alibaba (Qwen Team)
4	GPT-4o closed	90.2	OpenAI
5	DeepSeek R1 open	90.0	DeepSeek
6	Llama 3.1 405B open	89.0	Meta AI
7	Grok 3 closed	88.4	xAI
8	Llama 3.3 70B open	88.4	Meta AI
9	GPT-4o Mini closed	87.2	OpenAI
10	Qwen 2.5 72B open	86.6	Alibaba (Qwen Team)
11	Claude Haiku 4.5 closed	83.0	Anthropic
12	DeepSeek R1 Distill Llama 70B open	83.0	DeepSeek
13	DeepSeek V3 open	82.6	DeepSeek
14	Claude Sonnet 4.6 closed	82.6	Anthropic
15	GPT-5 closed	81.8	OpenAI
16	Gemma 3 27B open	81.0	Google DeepMind
17	Llama 3.1 70B open	80.5	Meta AI
18	DeepSeek R1 Distill Qwen 32B open	80.0	DeepSeek
19	Claude Opus 4.7 closed	79.8	Anthropic
20	Mixtral 8x22B open	76.0	Mistral AI
21	Gemini 2.5 Pro closed	72.7	Google DeepMind
22	Llama 3.1 8B open	72.6	Meta AI
23	Command R+ open	70.7	Cohere
24	Kimi K2 open	65.8	Moonshot AI

Showing top 24 models with published data on at least one of the benchmarks above. Scores are weighted averages on a 0–100 scale.

Rankings de modelos de IA

More leaderboards.

Mejores modelos de IA para razonamiento → Mejores modelos de IA para matemáticas → Mejores modelos de IA para conocimiento general → Mejores modelos de IA para seguir instrucciones → Mejores modelos de IA para visión → Modelos de IA capaces más baratos →