Todas las pruebas de referencia

GPQA Diamond

GPQA Diamond es una prueba de evaluación de opción múltiple de nivel de posgrado en biología, física y química. Cada pregunta está escrita por un experto en la materia y diseñada para que incluso los especialistas del campo necesiten razonar detenidamente para identificar la respuesta correcta. Ejecutamos el mismo conjunto fijo de preguntas en los endpoints de los proveedores para comparar la capacidad de los modelos, el enrutamiento y el coste práctico de resolver problemas científicos difíciles.

Última ejecución de la evaluación comparativa

¿Qué modelo lidera la evaluación GPQA Diamond?

Google: Gemini 4 Argon lidera GPQA Diamond con 96,5 % a fecha de 15 nov 2026, 2:47 UTC. El mismo conjunto fijo de preguntas de GPQA Diamond y el mismo sistema de puntuación se mantienen constantes en todos los endpoints de proveedores en producción. La fila principal utiliza el enrutamiento predeterminado cuando está disponible; de lo contrario, utiliza un resultado representativo de un proveedor.

Comparación de modelos

Mayor precisión

Mejor relación calidad-precio

Favicon de openai
OpenAI: GPT-6.1 Sol

0,021 US$/pregunta

Exactitud
Precisión de la ejecución representativa, de mayor a menor.
Coste por pregunta
Coste medio por pregunta, de menor a mayor.
Tiempo por pregunta
Tiempo real transcurrido medio por pregunta, de menor a mayor.

Eficiencia de costes

Exactitud frente a coste (frontera de Pareto)
Un punto por modelo, con el enrutamiento predeterminado (sin fijarlo a un proveedor) cuando está disponible. La línea es la frontera de Pareto: ningún modelo supera a estos tanto en precisión como en coste.

Clasificación

Las filas de nivel superior usan el enrutamiento predeterminado cuando está disponible; haga clic en una fila para desplegar los resultados con proveedor fijo.

Clasificación de GPQA Diamond: precisión del modelo, coste, tiempo y tókenes de salida por pregunta y por proveedor
#ModeloDesv. estándar
196,5 %--0,095 US$1,7m8,44k
295,6 %--0,068 US$2,2m18k
395,5 %--0,33 US$75s4,53k
494,9 %--0,084 US$26s1,87k
594,5 %±0,1pp0,20 US$2,2m16,7k
694,4 %--0,11 US$57s2,11k
794,4 %--0,021 US$52s1,98k
894,1 %--0,15 US$1,6m11,6k
993,9 %±0,3pp0,31 US$2,5m10,3k
1093,9 %±0,4pp0,029 US$59s7,68k
1192,9 %--0,088 US$86s8,6k
1292,8 %±0,4pp0,12 US$6,0m20,3k
1392,8 %±0,6pp0,025 US$20s2,28k
1492,8 %±0,5pp0,044 US$62s11,7k
1592,4 %±0,0pp0,039 US$63s3,71k
1692,3 %±0,1pp0,14 US$90s15,8k
1792,0 %±1,0pp0,13 US$4,0m10,7k
1891,9 %--0,025 US$32s2,37k
19
Amazon Bedrock
91,9 %--0,22 US$13,4m36,1k
2091,1 %--0,011 US$28s2,13k
2191,1 %--0,031 US$1,6m30,6k
2290,9 %--0,22 US$5,0m29,4k
2390,5 %±1,6pp0,11 US$9,0m37,5k
2490,2 %±0,0pp0,14 US$2,5m9,46k
2590,2 %±0,5pp0,054 US$30s2,5k
2690,2 %±1,9pp0,035 US$5,2m30,5k
2790,2 %±0,4pp0,074 US$2,3m17,1k
2890,1 %±0,7pp0,011 US$2,0m19,4k
2989,9 %±0,7pp0,13 US$31s2,4k
3089,8 %±0,6pp0,12 US$13,8m47,5k
3189,7 %±1,1pp0,20 US$1,6m7,86k
3289,6 %±0,3pp0,038 US$2,4m27k
3389,5 %±1,0pp0,23 US$1,8m9,01k
3489,1 %±0,8pp0,023 US$4,1m30,7k
3588,8 %±0,4pp0,033 US$12,5m38k
3688,6 %±0,3pp0,22 US$1,8m8,64k
3788,6 %--0,021 US$11,2m45,5k
3888,5 %±0,1pp0,13 US$4,2m43,9k
3988,4 %±0,0pp0,041 US$55s3,32k
4088,4 %--0,008 US$73s13,1k
4188,4 %±0,0pp0,015 US$71s13,6k
4288,0 %±1,1pp0,023 US$3,9m25,3k
4387,9 %±1,9pp0,13 US$62s4,87k
4487,9 %--0,044 US$9,8m34,2k
4587,8 %±3,7pp0,18 US$45s3,49k
4687,6 %±0,9pp0,014 US$2,9m26k
4787,6 %±0,6pp0,009 US$83s7,69k
4887,4 %±1,4pp0,091 US$3,3m14,8k
4987,4 %--0,003 US$50s5,75k
5087,3 %±1,8pp0,047 US$11,2m36k
5186,8 %±1,0pp0,022 US$8,7m46,3k
5286,7 %±0,5pp0,004 US$39s7,89k
5386,7 %±4,2pp0,16 US$15,9m56,1k
5486,7 %±0,0pp0,22 US$4,4m22,2k
5586,7 %±2,7pp0,008 US$6,9m26,9k
5686,6 %±1,8pp0,10 US$7,6m26,9k
5786,6 %±1,4pp0,75 US$8,4m30k
5886,6 %±0,8pp0,025 US$3,9m20,8k
5986,5 %±1,0pp0,84 US$6,8m33,5k
6086,0 %±2,8pp0,082 US$6,1m23,7k
6185,9 %±0,8pp0,006 US$9,3m32,3k
6285,9 %--0,020 US$2,0m15,4k
6385,7 %±0,3pp0,21 US$4,4m20,9k
6485,5 %±2,1pp0,044 US$10,0m37,9k
6585,4 %±1,3pp0,10 US$7,6m31,8k
6685,3 %±4,9pp0,17 US$2,8m16,8k
6785,2 %±1,4pp0,14 US$7,3m49,9k
6884,9 %±1,0pp0,055 US$4,2m23,1k
6984,8 %--0,001 US$88s17,5k
7084,5 %±4,9pp0,096 US$20,9m37,9k
7184,4 %±0,9pp0,036 US$53s14,5k
7284,1 %±2,4pp0,014 US$8,8m40,1k
7383,8 %±3,0pp0,090 US$12,9m31,8k
7483,8 %±0,6pp0,062 US$75s13,6k
7583,4 %±1,1pp0,095 US$4,9m23,4k
7683,2 %--0,064 US$8,2m51,2k
7782,7 %±1,9pp0,093 US$18,5m45,2k
7882,6 %±1,6pp0,26 US$3,9m26k
7982,3 %±1,4pp0,008 US$7,3m18,6k
8082,2 %±6,7pp0,030 US$12,5m30,5k
8182,1 %±2,4pp0,041 US$83s27k
8281,9 %±1,4pp0,034 US$3,5m13,9k
8381,7 %±2,0pp0,009 US$9,6m19,5k
8481,6 %±1,3pp0,027 US$4,6m25,4k
8581,6 %±1,1pp0,31 US$4,8m20,7k
8681,3 %--0,008 US$5,9m33,9k
8781,0 %±1,8pp0,24 US$18,0m63,9k
8881,0 %±2,2pp0,045 US$3,5m22,4k
8980,8 %--0,053 US$6,8m43,9k
9080,8 %±1,4pp0,022 US$4,1m17,5k
9179,8 %±4,3pp0,043 US$8,6m42,6k
9279,1 %±3,4pp0,16 US$14,8m66,9k
9378,9 %±2,3pp0,029 US$7,1m25,9k
9478,6 %--0,26 US$3,0m17,4k
9578,6 %--0,058 US$10,6m23,1k
9677,7 %±0,4pp0,013 US$64s10,3k
9777,4 %±2,0pp0,006 US$11,8m37,6k
9877,2 %±4,8pp0,014 US$14,9m40,6k
9977,2 %±0,3pp0,018 US$7,5m17,5k
10077,1 %±3,3pp0,063 US$17,0m30,9k
10176,7 %±4,1pp0,053 US$14,9m23,3k
10275,8 %--0,015 US$2,9m24k
10375,1 %±1,1pp0,015 US$1,8m14,5k
10474,9 %±1,9pp0,003 US$2,8m31k
10574,2 %±2,3pp0,006 US$6,2m24,1k
10673,2 %±2,4pp0,016 US$11,2m60,9k
10773,2 %±0,8pp0,19 US$4,0m37,9k
10872,8 %±0,4pp0,061 US$2,0m24,2k
10972,7 %±1,6pp0,006 US$5,4m8,11k
11072,1 %±13,3pp0,62 US$10,7m41k
11171,8 %±0,3pp0,011 US$85s10,5k
11270,6 %±2,6pp0,009 US$6,2m45,1k
11370,5 %±0,4pp0,013 US$3,9m33,3k
11469,5 %±0,8pp0,007 US$4,9m5,94k
11569,3 %±4,4pp0,015 US$15,5m50,7k
11666,8 %--0,014 US$5,4m15,3k
11766,3 %±0,5pp0,003 US$81s2,99k
11865,7 %--0,015 US$28,6m64,4k
11965,2 %±1,3pp0,004 US$27s2,41k
12065,2 %±2,5pp0,006 US$10,7m41,8k
12164,9 %±0,6pp0,003 US$2,8m10,3k
12264,2 %±1,4pp0,007 US$3,9m11,5k
12363,7 %±0,4pp0,016 US$15s1,75k
12463,7 %±13,9pp0,014 US$6,9m12k
12563,2 %±2,2pp0,018 US$11,2m89,4k
12662,1 %±1,2pp0,002 US$65s2,17k
12760,9 %±1,0pp0,008 US$5,6m17,3k
12860,9 %--0,008 US$5,0m15,4k
12960,4 %±0,5pp0,004 US$35s2,12k
13059,2 %±0,3pp0,003 US$8,7m11,7k
13155,2 %±0,5pp0,018 US$1,9m44,3k
13254,6 %±8,7pp0,006 US$2,1m5,65k
13353,9 %--0,005 US$2,0m11,8k
13452,0 %±0,3pp0,018 US$16s1,56k
13551,7 %±0,5pp0,016 US$10,6m40,5k
13651,1 %±0,1pp0,013 US$13s1,12k
13750,5 %--0,010 US$11,7m64,8k
13849,1 %±0,9pp0,00084 US$23s1,9k
13947,5 %±1,0pp0,001 US$86s2,36k
14046,0 %±1,3pp0,001 US$1,6m1,85k
14143,6 %±0,7pp0,001 US$22s1,48k
14242,9 %--0,002 US$59s1,66k
14338,9 %--0,00023 US$9s711
14438,0 %±1,2pp0,00038 US$52s2,26k
14528,6 %--0,00059 US$15s1,64k
14627,7 %±2,2pp0,001 US$2,5m15,5k
14727,7 %±0,1pp0,000062 US$9s580
14827,1 %--0,00011 US$11s1,8k
14921,4 %--0,18 US$78s14,6k
15010,3 %±0,0pp0,018 US$22s11,8k

Problemas de ejemplo

GPQA utiliza preguntas con cuatro opciones que requieren más que recordar una definición. Estos ejemplos representativos muestran el formato y la variedad de disciplinas científicas sin reproducir preguntas del banco protegido de la evaluación.

Biology

A researcher observes that a membrane protein is synthesized on ribosomes attached to the rough endoplasmic reticulum. Which destination is most consistent with this protein entering the secretory pathway?

  1. A.The cytosol, where it remains soluble
  2. B.The nucleus, after import through a nuclear pore
  3. C.A membrane of the endomembrane system or the cell surface
  4. D.The mitochondrial matrix through a TOM/TIM complex

Respuesta: C

Ribosomes on the rough ER synthesize proteins destined for secretion or insertion into the endomembrane system, including the plasma membrane.

Physics

A spacecraft is far from other bodies and fires its engine in the direction opposite to its velocity. Ignoring mass loss during the brief burn, what happens immediately to its speed?

  1. A.It increases because the exhaust carries away backward momentum
  2. B.It decreases because the thrust points opposite to its velocity
  3. C.It remains unchanged because thrust only changes direction
  4. D.It becomes zero because the spacecraft is in free space

Respuesta: B

An impulse opposite the velocity vector reduces the spacecraft’s momentum and therefore its speed during the burn.

Chemistry

Why does adding a small amount of a common ion generally reduce the solubility of a sparingly soluble ionic solid in water?

  1. A.The common ion increases the solid’s lattice energy
  2. B.The common ion shifts the dissolution equilibrium toward the solid
  3. C.The common ion converts every dissolved ion into a neutral molecule
  4. D.The common ion removes solvent molecules from the solution

Respuesta: B

The added ion raises the concentration of a dissolution product, so Le Chatelier’s principle shifts the equilibrium toward the undissolved solid.

Por qué realizamos esta prueba de rendimiento

GPQA es una prueba amplia de razonamiento de nivel de posgrado en biología, física y química, por lo que nos proporciona una señal económica y con un umbral mínimo alto de que un despliegue funciona correctamente. Si un modelo que normalmente resuelve estas preguntas sufre una caída repentina, esto suele indicar un fallo en el endpoint o en el enrutamiento, más que en las propias preguntas.

Como ejecutamos el mismo conjunto fijo de preguntas en los endpoints de los proveedores, una diferencia grande de precisión entre proveedores que sirven el mismo modelo permite detectar rápidamente un endpoint mal configurado o degradado. Las columnas de costo y latencia muestran cuánto cuesta ofrecer esa calidad de razonamiento.

Lo que las puntuaciones pueden y no pueden indicar

GPQA es una evaluación de alcance limitado y alta dificultad, no una medida completa de la inteligencia general ni de la utilidad. Una puntuación refleja el rendimiento en preguntas científicas de opción múltiple redactadas por expertos y debe considerarse junto con evaluaciones de programación, seguimiento de instrucciones, exactitud factual y otras.

Las puntuaciones pueden ser sensibles a los ajustes de muestreo, al tratamiento de la posición de las respuestas y al número de ejecuciones repetidas. Las pequeñas diferencias pueden no ser significativas cuando los modelos tienen cantidades de muestras similares, por lo que la clasificación incluye la variabilidad entre ejecuciones y el contexto de costes en lugar de presentar solo la exactitud.

La prueba de referencia está descrita públicamente y algunas preguntas podrían acabar apareciendo en los datos de entrenamiento. Evitamos reproducir aquí el conjunto privado de preguntas, pero ninguna prueba de referencia pública puede garantizar que todos los elementos de evaluación futuros estén libres de contaminación.

Metodología

Las puntuaciones agregan las ejecuciones satisfactorias de los últimos 90 días, ponderadas por el número de preguntas, con un umbral mínimo de muestras por cada par de modelo y proveedor. La puntuación principal de un modelo utiliza el enrutamiento predeterminado cuando está disponible; de lo contrario, recurre a la mediana de los proveedores. Las cifras de coste, tiempo y tokens de salida son promedios por pregunta de las mismas ejecuciones. La mejor relación calidad-precio corresponde al modelo óptimo de Pareto más económico situado a no más de cinco puntos porcentuales de la puntuación más alta.

GPQA Diamond se describe en el artículo original. Consulte la documentación para conocer los detalles del enrutamiento, o explore todos los modelos para probar uno.

Acceso a la API

Estas puntuaciones están disponibles a través de la API pública de evaluaciones comparativas de OpenRouter, por lo que puede obtener los mismos resultados por modelo de forma programática.

GET https://dynamicsinfo.com/api/v1/benchmarks?source=openrouter
Authorization: Bearer <API key>

Utilice task_type=intelligence para filtrar por gpqa_diamond. Cada elemento representa un modelo e incluye accuracy, accuracy_stddev, avg_cost_per_task, total_tasks y last_run_timestamp. Consulte la documentación de la API de evaluaciones.

Descargar y citar

Se publica una instantánea de esta clasificación en el conjunto de datos abierto benchmark-leaderboard (filtre por la columna benchmark ), que se regenera daily sin necesidad de una clave de API. La instantánea actual se generó el . Se distribuye bajo la licencia CC BY 4.0, por lo que puede reutilizarlo y volver a publicarlo con atribución a OpenRouter.

Las definiciones de las columnas, la metodología y las reglas de enmascaramiento están en el README del conjunto de datos.

Citar esta clasificación

OpenRouter (2026). Resultados de GPQA Diamond en OpenRouter, instantánea del 2026-11-16. https://dynamicsinfo.com/benchmarks/gpqa-diamond. Bajo licencia CC BY 4.0.

Preguntas frecuentes