Página automatizada. Redactada y traducida automáticamente por IA y verificada con las fuentes mediante software; sin editor humano. SI-IQ es un índice elaborado a partir de resultados públicos de benchmarks, no una prueba de CI. Cómo funciona
SWE-bench Verified (Epoch AI run): resultados de modelos de IA
SWE-bench Verified (Epoch AI run) es un benchmark de Programación ejecutado por Epoch AI. 32 modelos de nuestros datos tienen un resultado publicado.
Forma parte del índice SI-IQ (carga k = 0,47, nivel de azar 0 %).
- Evaluador
- Epoch AI
- Página principal del benchmark
- openai.com/index/introducing-swe-bench-verified
Resultados
| 1 | Claude Opus 4.7 Anthropic | 83,5 % | 127124–130 | 9 |
| 2 | GPT-5.5 OpenAI | 80,6 % | 138135–141 | 9 |
| 3 | Gemini 3.5 Flash Google DeepMind | 79,3 % | 126123–129 | 9 |
| 4 | Claude Opus 4.6 Anthropic | 78,7 % | 123120–126 | 9 |
| 5 | GLM-5.2abierto Z.ai (Zhipu AI) | 78,7 % | 121118–124 | 9 |
| 6 | DeepSeek-V4-Proabierto DeepSeek | 77,6 % | 117113–120 | 9 |
| 7 | Qwen3.7-Max Alibaba | 77,3 % | 125122–128 | 9 |
| 8 | GPT-5.4 OpenAI | 76,9 % | 131128–133 | 9 |
| 9 | Claude Opus 4.5 Anthropic | 76,7 % | 115111–118 | 10 |
| 10 | Kimi K2.6abierto Moonshot | 76,7 % | 121118–124 | 9 |
| 11 | Qwen 3.6 Max (Preview) Alibaba | 76,7 % | 118112–124 | 5 datos insuficientes |
| 12 | Gemini 3.1 Pro Google DeepMind | 75,6 % | 127124–130 | 9 |
| 13 | Gemini 3 Flash Google DeepMind | 75,4 % | 122119–125 | 9 |
| 14 | Claude Sonnet 4.6 Anthropic | 75,2 % | 113108–118 | 7 |
| 15 | GPT-5.3 Codex OpenAI | 74,8 % | 122108–136 | 2 datos insuficientes |
| 16 | GLM-5.1abierto Z.ai (Zhipu AI) | 74,2 % | 116112–120 | 7 |
| 17 | GPT-5.2 OpenAI | 73,8 % | 125122–128 | 10 |
| 18 | Kimi K2.5abierto Moonshot | 73,8 % | 119112–125 | 5 |
| 19 | GPT-5 OpenAI | 73,6 % | 121118–124 | 11 |
| 20 | Claude Opus 4.1 Anthropic | 73,3 % | 105102–109 | 6 datos insuficientes |
| 21 | Gemini 3 Pro Google DeepMind | 72,9 % | 122115–130 | 4 datos insuficientes |
| 22 | GLM-5abierto Z.ai (Zhipu AI) | 72,1 % | 112105–118 | 4 datos insuficientes |
| 23 | Claude Sonnet 4.5 Anthropic | 71,3 % | 110107–113 | 11 |
| 24 | Claude Opus 4 Anthropic | 70,7 % | 9893–102 | 5 |
| 25 | GPT-5.1 OpenAI | 68,0 % | 120115–125 | 7 |
| 26 | GPT-5 mini OpenAI | 64,7 % | 115112–118 | 11 |
| 27 | o3 OpenAI | 62,3 % | 116113–119 | 10 |
| 28 | Claude 3.7 Sonnet Anthropic | 61,0 % | 9995–103 | 5 |
| 29 | Qwen 3.6 Plus Alibaba | 57,9 % | 113109–117 | 7 datos insuficientes |
| 30 | Gemini 2.5 Pro (Jun 2025) Google DeepMind | 57,6 % | 108104–112 | 7 |
| 31 | GPT-4.1 OpenAI | 48,5 % | 9187–94 | 10 |
| 32 | GPT-4o (Nov 2024) OpenAI | 31,0 % | 6964–73 | 5 |
Fuentes de datos: Aider polyglot leaderboard data (Apache-2.0); Arena leaderboard dataset on Hugging Face (CC BY 4.0); Berkeley Function Calling Leaderboard, Gorilla project (Apache-2.0); Epoch AI, ‘Capabilities & benchmarking’ (CC BY 4.0); API list prices via LiteLLM's price table (MIT); each price links to the developer's pricing page; Source: OpenRouter (openrouter.ai), licensed under CC BY 4.0: reuse and republish with attribution to OpenRouter..