Índice de Fallos IA

Cómo se comportan los principales modelos de IA al alucinar, llamar funciones y competir entre sí.

638 modelos · 7 métricas · 3 fuentes · Actualización: 23 oct 2026, 22:46 UTC

Cómo leer este Índice. Cada tarjeta es una métrica medida por una fuente externa e indica si es mejor un valor alto o bajo. Pulsa una tarjeta para ver su ranking completo. El bloque Datos técnicos, al final, explica qué mide cada métrica y por qué importa.
Precisión al usar herramientasMás alto es mejor
BFCL
77.5%
Líder: Claude-Opus-4-5-20251101 (FC)
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1Claude-Opus-4-5-20251101 (FC)77.5%
  2. #2Claude-Sonnet-4-5-20250929 (FC)73.2%
  3. #3Gemini-3-Pro-Preview (Prompt)72.5%
+4.23 puntos sobre el segundo
Dónde quedan los 109 modelos, del peor al mejor
Peor: 7.2%Mejor: 77.5%
Zona sombreada: la mitad de los modelos, entre 27.0% y 50.3%. Marca amarilla: el líder.
109 modelos · medido por Berkeley Function Calling Leaderboard · dato más reciente de cualquier modelo: 28 may 2026
Varias herramientas distintasMás alto es mejor
BFCL
97.0%
Líder: Qwen3-32B (Prompt)
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1Qwen3-32B (Prompt)97.0%
  2. #2Qwen3-8B (FC)96.5%
  3. #3Gemini-3-Pro-Preview (Prompt)96.0%
+0.5 puntos sobre el segundo: casi empate
Dónde quedan los 109 modelos, del peor al mejor
Peor: 0.0%Mejor: 97.0%
Zona sombreada: la mitad de los modelos, entre 86.0% y 93.5%. Marca amarilla: el líder.
109 modelos · medido por Berkeley Function Calling Leaderboard · dato más reciente de cualquier modelo: 28 may 2026
Varias herramientas a la vezMás alto es mejor
BFCL
96.0%
Empatados en el #1: Arch-Agent-32B y Gemini-2.5-Flash (Prompt)
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1Arch-Agent-32B96.0%
  2. #1Gemini-2.5-Flash (Prompt)96.0%
  3. #2Qwen3-14B (Prompt)95.5%
Empate en el primer puesto: 2 modelos con 96.0%
Dónde quedan los 109 modelos, del peor al mejor
Peor: 0.0%Mejor: 96.0%
Zona sombreada: la mitad de los modelos, entre 82.0% y 92.0%. Marca amarilla: el líder.
109 modelos · medido por Berkeley Function Calling Leaderboard · dato más reciente de cualquier modelo: 28 may 2026
Una sola herramientaMás alto es mejor
BFCL
80.7%
Líder: Qwen3-30B-A3B-Instruct-2507 (Prompt)
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1Qwen3-30B-A3B-Instruct-2507 (Prompt)80.7%
  2. #2xLAM-2-32b-fc-r (FC)80.4%
  3. #3Qwen3-235B-A22B-Instruct-2507 (Prompt)79.8%
+0.25 puntos sobre el segundo: casi empate
Dónde quedan los 109 modelos, del peor al mejor
Peor: 0.0%Mejor: 80.7%
Zona sombreada: la mitad de los modelos, entre 66.2% y 75.8%. Marca amarilla: el líder.
109 modelos · medido por Berkeley Function Calling Leaderboard · dato más reciente de cualquier modelo: 28 may 2026
Preferencia humana (Elo)Más alto es mejor
Arena
1517
Líder: Gemini 4 Argon (High)
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1Gemini 4 Argon (High)1517
  2. #2Muse Wonder (Max)1509
  3. #2Claude Opus 5.5 (High)1509
+8 puntos sobre el segundo
Dónde quedan los 418 modelos, del peor al mejor
Peor: 953Mejor: 1517
Zona sombreada: la mitad de los modelos, entre 1268 y 1436. Marca amarilla: el líder.
418 modelos · medido por Arena (antes Chatbot Arena) · dato más reciente de cualquier modelo: 23 oct 2026
Consistencia factualMás alto es mejor
Vectara
98.2%
Líder: antgroup/finix_s1_32b
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1antgroup/finix_s1_32b98.2%
  2. #2openai/gpt-5.4-nano-2026-03-1796.9%
  3. #3google/gemini-2.5-flash-lite96.7%
+1.3 puntos sobre el segundo
Dónde quedan los 111 modelos, del peor al mejor
Peor: 75.8%Mejor: 98.2%
Zona sombreada: la mitad de los modelos, entre 87.9% y 93.7%. Marca amarilla: el líder.
111 modelos · medido por Vectara Hallucination Leaderboard · dato más reciente de cualquier modelo: 23 oct 2026
Tasa de inventoMás bajo es mejor
Vectara
1.8%
Líder: antgroup/finix_s1_32b
Cargando evolución…
Los 3 primeros · barra llena = el mejor de todos
  1. #1antgroup/finix_s1_32b1.8%
  2. #2openai/gpt-5.4-nano-2026-03-173.1%
  3. #3google/gemini-2.5-flash-lite3.3%
1.3 puntos menos que el segundo
Dónde quedan los 111 modelos, del peor al mejor
Peor: 24.2%Mejor: 1.8%
Zona sombreada: la mitad de los modelos, entre 6.3% y 12.1%. Marca amarilla: el líder.
111 modelos · medido por Vectara Hallucination Leaderboard · dato más reciente de cualquier modelo: 23 oct 2026
RankingQuién va primero en la métrica seleccionada
Datos técnicos▶
Otros datasets de La AutopsIA: Incidentes de IA en español · Alertas de seguridad CVE en IA