> ## Documentation Index > Fetch the complete documentation index at: https://phaseo.app/docs/llms.txt > Use this file to discover all available pages before exploring further. # Explorar benchmarks > Descubre cómo se recopilan, estandarizan y visualizan en Phaseo los benchmarks de modelos de IA. Los benchmarks son fundamentales para medir en Phaseo la calidad y el progreso de los modelos. Ofrecen **métricas objetivas y reproducibles** que permiten comparar el rendimiento de los modelos entre tareas, ámbitos y proveedores, desde razonamiento y programación hasta comprensión del lenguaje y reconocimiento de imágenes. *** ## Qué son los benchmarks Un **benchmark** es un conjunto de datos o una evaluación diseñada para medir el rendimiento de un modelo en una tarea concreta. Si ejecutamos varios modelos con el mismo conjunto de datos, podemos medir sus fortalezas y debilidades relativas. Algunos ejemplos comunes: * 🧠 **MMLU (Massive Multitask Language Understanding)** — evalúa los conocimientos generales y el razonamiento. * 🔢 **GSM8K** — evalúa el razonamiento matemático y la resolución de problemas. * 💬 **HellaSwag** — evalúa el sentido común y la comprensión contextual. * 🧮 **ARC-Challenge** — mide el razonamiento científico y la lógica. * 💡 **HumanEval** — evalúa las habilidades de programación y generación de código. *** ## Cómo gestiona Phaseo los benchmarks Phaseo recopila datos de benchmarks de **varias fuentes públicas** e **informes oficiales**, y después los estandariza en un formato coherente. La sección de benchmarks de cada modelo incluye: * **Valor de la puntuación** — suele expresarse como porcentaje o en una escala normalizada. * **Fuente del conjunto de datos** — por ejemplo, MMLU, GSM8K, etc. * **Método de evaluación** — indica cómo se obtuvo la puntuación (informe oficial, evaluación de terceros o contribución de la comunidad). * **Última actualización** — indica cuándo se actualizaron por última vez los datos del benchmark. *** ## Ejemplo de página de benchmark *** ## Categorías de benchmarks Los benchmarks se agrupan en categorías que representan la habilidad evaluada: | Categoría | Ejemplos | Descripción | | - | - | - | | **Razonamiento** | MMLU, GSM8K, ARC | Evalúa la lógica general, el razonamiento de varios pasos y la resolución de problemas. | | **Comprensión del lenguaje** | HellaSwag, BoolQ, PIQA | Mide la comprensión lectora, el sentido común y la capacidad lingüística. | | **Generación de código** | HumanEval, MBPP | Evalúa la programación y la precisión en la síntesis de código. | | **Matemáticas y ciencias** | GSM8K, MATH, SciQ | Se centra en el razonamiento numérico y científico. | | **Multimodal** | MathVista, MMMU | Combina tareas de comprensión de texto e imágenes. | *** ## Cómo interpretar las puntuaciones | Rango de valores | Interpretación | | - | - | | **90-100%** | Excepcional: rendimiento casi de vanguardia. | | **80-89%** | Excelente: adecuado para la mayoría de los usos en producción. | | **60-79%** | Bueno: fiable para tareas generales, aunque puede tener dificultades con casos límite. | | **\< 60%** | En desarrollo: más adecuado para pruebas o investigación. | Ten en cuenta que algunos benchmarks usan **sistemas de puntuación diferentes**. Phaseo los normaliza cuando es posible para que las comparaciones sean más útiles. *** ## Visualizar benchmarks en Phaseo Los resultados de los benchmarks se visualizan mediante: * 📊 **Gráficos de barras** para comparar modelos dentro del mismo conjunto de datos. * 📈 **Gráficos de tendencias** que muestran las mejoras de los modelos con el tiempo. * 🧮 **Puntuaciones agregadas** para resumir el rendimiento en varios conjuntos de datos. Cada conjunto de datos de benchmark de Phaseo incluye filtros para: * Tipo de modelo (chat, código, embeddings, etc.) * Proveedor * Año de lanzamiento * Categoría del conjunto de datos Así puedes identificar rápidamente patrones, como qué familias dominan las tareas de razonamiento o programación. *** ## Fuentes de datos y metodología Phaseo reúne datos de benchmarks procedentes de: * Artículos de investigación e informes de modelos oficiales. * Páginas de evaluación de proveedores (OpenAI Evals, Anthropic Reports, etc.). * Conjuntos de datos abiertos de la comunidad (por ejemplo, tablas de clasificación de Hugging Face). * Envíos directos de usuarios a través de GitHub. Todos los datos se estandarizan y verifican antes de publicarse. Consulta [Investigación y metodología → Metodología de benchmarks](../research/benchmark-methodology.mdx) para obtener todos los detalles. *** ## Ejemplos de uso | Objetivo | Ejemplo | | - | - | | Comparar modelos de razonamiento | «¿Qué modelo obtiene la puntuación más alta en GSM8K?» | | Evaluar la relación entre coste y rendimiento | «¿GPT-4o justifica su precio más alto frente a Claude 3.5 Sonnet?» | | Seguir el progreso anual | «¿Cuánto ha mejorado la precisión en MMLU desde 2022?» | | Investigar benchmarks por categoría | «¿Qué modelos destacan en razonamiento multimodal?» | *** ## Contribuir con datos de benchmarks Abre una incidencia en GitHub con pruebas de resultados de benchmarks nuevos o corregidos. Cada envío se revisa antes de incluirlo para garantizar la coherencia y la precisión. Consulta qué pruebas incluir en una incidencia de benchmarks. *** ## Siguientes pasos Cuando comprendas cómo funcionan los datos de benchmarks, podrás explorar los **proveedores de API** que permiten acceder a estos modelos mediante programación. Consulta dónde se alojan los modelos, cuánto cuestan y cómo se accede a ellos. This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.