BrowseComp
Resultados de evaluaciones comparativas de IA y rendimiento de modelos
Tipo: percentageAgents
Resultados registrados
57
Puntuación media
66.19%
Rango de puntuaciones
21.30% - 91.50%
Modelo líder
91.50% - GPT-6 Astra
Puntuaciones a lo largo del tiempo
Puntuaciones individuales de la evaluación a lo largo del tiempo.
Resultados de modelos
| Organización | Modelos | Fecha del resultado | Mejor puntuación | Información | Autodeclarado | Fuente |
|---|---|---|---|---|---|---|
| GPT-6 Astra | 03 sept 2026 | 91,50 % | GPT-6 Astra launch evaluation | Sí | Fuente | |
| Kimi K3 | 16 jul 2026 | 91,20 % | Uses context compaction at 300K tokens, following the strategy used in Claude model cards. Moonshot separately reports 90.4 with a 1M context and no context management. | Sí | Fuente | |
| Claude Opus 5 | 24 jul 2026 | 90,80 % | Web search, web fetch, programmatic tool calling, and code execution; 10M-token budget with context compaction; unreleased effort configuration | Sí | Fuente | |
| GPT 5.5 Pro | 23 abr 2026 | 90,10 % | - | Sí | Fuente | |
| GPT 5.4 Pro | 05 mar 2026 | 89,30 % | - | Sí | Fuente | |
| Claude Mythos Preview | 07 abr 2026 | 86,90 % | 4.9x fewer tokens vs Opus 4.6 | Sí | Fuente | |
| Claude Opus 4.6 | 05 feb 2026 | No disponible | - | Sí | - | |
| Claude Sonnet 5 | 30 jun 2026 | 86,60 % | Multi-agent run from Anthropic capability summary table | Sí | Fuente | |
| Gemini 3.1 Pro Preview | 19 feb 2026 | 85,90 % | - | Sí | - | |
| GPT 5.5 | 23 abr 2026 | 84,40 % | - | Sí | Fuente | |
| MiniMax M3 | 01 jun 2026 | 83,50 % | - | Sí | Fuente | |
| GPT 5 Pro | 07 ago 2025 | 82,70 % | inferred family alias from gpt-5.4 (score=0.4083; benches=19) | Sí | Fuente | |
| GPT 5 Search API | 14 oct 2025 | 82,70 % | inferred family alias from gpt-5.4 (score=0.3050; benches=19) | Sí | Fuente | |
| GPT 5.4 | 05 mar 2026 | 82,70 % | - | Sí | Fuente | |
| Claude Opus 4.7 | 16 abr 2026 | 79,30 % | - | Sí | Fuente | |
| GLM 5.1 | 07 abr 2026 | 79,30 % | w/ Context Manage | Sí | Fuente | |
| Qwen 3.5 397B A17B | 16 feb 2026 | 78,60 % | Discard-all context strategy | Sí | Fuente | |
| Beam | 05 oct 2026 | 77,40 % | Reflection-reported launch score. Source row: BrowseComp w/ context management. Accessed 2026-10-05T22:51:12.456Z. Harness, reasoning effort, sampling and trial count are not specified per row. Not independently reproduced. | Sí | Fuente | |
| Seed 2.0 Pro | 14 feb 2026 | 77,30 % | - | Sí | Fuente | |
| MiniMax M2.5 | 12 feb 2026 | 76,30 % | - | Sí | Fuente | |
| GLM 5 | 11 feb 2026 | 75,90 % | - | Sí | Fuente | |
| Kimi K2.5 | 27 ene 2026 | 74,90 % | - | Sí | Fuente | |
| Claude Sonnet 4.6 | 17 feb 2026 | 74,70 % | - | Sí | Fuente | |
| Seed 2.0 Lite | 14 feb 2026 | 72,10 % | Seed2 official benchmark table | BrowseComp | Sí | Fuente | |
| Step 3.5 Flash | - | 69 % | - | Sí | Fuente |
