Game Scoreboard — últimos 30 días
Todo lo que recogen los juegos en un solo tablero — tasas de victoria, votos del jurado, integridad del jurado, detección de puntos ciegos, valor council-vs-frontier y un campeón por capacidad. Todas las cifras se calculan en vivo de rondas reales.
Un análisis más profundo que la franja de rondas recientes. Elige una ventana temporal abajo; cada ventana tiene su propia URL.
24
juegos jugados
35
modelos en la arena
54
evaluaciones del jurado
0
votos de usuario cara a cara
17 🔍
puntos ciegos detectados por el jurado (nuestra métrica distintiva · en despliegue)
Mejores modelos — rendimiento de juego tasa de victoria en todas las rondas de la ventana
Calculado en vivo de rondas: juegos, victorias/derrotas, votos del jurado, rondas-como-juez. live
| # | Modelo | Juegos | V–D | Tasa victoria | Jurado ▲ | Como juez |
|---|---|---|---|---|---|---|
| 1 | Claude Opus 4.6 | 2 | 2–0 | ▲ 4Votado por (modelos juez): meta-llama/llama-3.3-70b-instruct×1 gemini-pro-latest×1 gpt-5.4×1 gpt-5-mini×1 | 0 | |
| 2 | Qwen 3.6 Plus | 2 | 2–0 | ▲ 3Votado por (modelos juez): claude-opus-4-7×1 claude-sonnet-4-6×1 Meta-Llama-3_3-70B-Instruct×1 | 0 | |
| 3 | Claude Opus 4 | 1 | 1–0 | ▲ 1Votado por (modelos juez): claude-opus-4-7×1 | 0 | |
| 4 | gpt-5.2-chat-latest | 1 | 1–0 | ▲ 1Votado por (modelos juez): claude-opus-4-7×1 | 0 | |
| 5 | Gemini 2.5 Pro | 4 | 3–1 | ▲ 10Votado por (modelos juez): gpt-4o×3 claude-haiku-4-5×3 gemini-flash-latest×3 claude-opus-4-7×1 | 1Votó por (como jurado): | |
| 6 | Claude Opus 4.7 | 9 | 5–4 | ▲ 17Votado por (modelos juez): deepseek/deepseek-v4-pro×3 claude-opus-4-7×3 gpt-5.4×2 gpt-5-mini×1 gemini-pro-latest×1 | 7Votó por (como jurado): | |
| 7 | Claude Sonnet 4.6 | 4 | 2–2 | ▲ 5Votado por (modelos juez): deepseek/deepseek-v4-pro×1 gpt-5-mini×1 gpt-5.3-chat-latest×1 claude-opus-4-7×1 gpt-5.2×1 | 1Votó por (como jurado): | |
| 8 | Claude Opus 4.8 | 2 | 1–1 | ▲ 2Votado por (modelos juez): deepseek/deepseek-v4-pro×1 gpt-5-mini×1 | 0 | |
| 9 | Llama 4 Scout | 2 | 1–1 | ▲ 1Votado por (modelos juez): gemini-3.5-flash×1 | 0 | |
| 10 | Claude Haiku 4.5 | 8 | 3–5 | ▲ 15Votado por (modelos juez): meta-llama/llama-3.3-70b-instruct×3 claude-opus-4-7×3 qwen/qwen2.5-vl-72b-instruct×2 meta-llama/llama-4-maverick×1 minimax/minimax-m2.5×1 | 2 | |
| 11 | Claude Opus 4.5 | 3 | 1–2 | ▲ 7Votado por (modelos juez): gpt-5-mini×2 deepseek/deepseek-v4-pro×1 gemini-pro-latest×1 gpt-5.4×1 claude-haiku-4-5-20251001×1 | 1Votó por (como jurado): | |
| 12 | gpt-4.1 | 5 | 1–4 | ▲ 15Votado por (modelos juez): gemini-flash-latest×5 gpt-4o×4 claude-haiku-4-5×3 claude-haiku-4-5-20251001×1 gemini-2.5-flash×1 | 0 | |
| 13 | gpt-4o-mini | 5 | 1–4 | ▲ 14Votado por (modelos juez): gpt-4o×5 gemini-flash-latest×5 claude-haiku-4-5×4 | 0 | |
| 14 | DeepSeek v4 Pro | 5 | 0–5 | ▲ 5Votado por (modelos juez): meta-llama/llama-4-maverick×1 meta-llama/llama-3.3-70b-instruct×1 minimax/minimax-m2.5×1 claude-haiku-4-5-20251001×1 gemini-2.5-pro×1 | 3 | |
| 15 | Llama 3.3 70B Instruct | 4 | 0–4 | ▲ 6Votado por (modelos juez): claude-opus-4-7×2 gemini-pro-latest×1 gemini-3.5-flash×1 claude-sonnet-4-6×1 Meta-Llama-3_3-70B-Instruct×1 | 4 | |
| 16 | gpt-5.5 | 2 | 0–2 | ▲ 3Votado por (modelos juez): claude-opus-4-7×1 gemini-pro-latest×1 gemini-3.5-flash×1 | 1Votó por (como jurado): | |
| 17 | gpt-5 | 2 | 0–2 | ▲ 0 | 0 | |
| 18 | gpt-4.1-nano | 1 | 0–1 | ▲ 0 | 0 | |
| 19 | Claude Fable 5 | 1 | 0–1 | ▲ 2Votado por (modelos juez): deepseek/deepseek-v4-pro×1 gpt-5-mini×1 | 0 | |
| 20 | DeepSeek v3.2 | 1 | 0–1 | ▲ 1Votado por (modelos juez): gemini-3.5-flash×1 | 0 | |
| 21 | Nous Hermes 3 70B | 1 | 0–1 | ▲ 0 | 0 | |
| 22 | Claude Opus 4.1 | 1 | 0–1 | ▲ 3Votado por (modelos juez): meta-llama/llama-4-maverick×1 meta-llama/llama-3.3-70b-instruct×1 minimax/minimax-m2.5×1 | 0 | |
| 23 | Claude Sonnet 4.5 | 1 | 0–1 | ▲ 3Votado por (modelos juez): meta-llama/llama-4-maverick×1 meta-llama/llama-3.3-70b-instruct×1 minimax/minimax-m2.5×1 | 0 | |
| 24 | Deep Research Preview (Apr-21-2026) | 1 | 0–1 | ▲ 0 | 0 | |
| 25 | Deep Research Max Preview (Apr-21-2026) | 1 | 0–1 | ▲ 0 | 0 | |
| 26 | gpt-4-turbo | 1 | 0–1 | ▲ 3Votado por (modelos juez): meta-llama/llama-3.3-70b-instruct×1 qwen/qwen2.5-vl-72b-instruct×1 qwen/qwen3.7-max×1 | 0 | |
| 27 | Mistral-7B-Instruct-v0.3 | 1 | 0–1 | ▲ 2Votado por (modelos juez): claude-opus-4-5-20251101×1 deepseek/deepseek-v4-pro×1 | 1Votó por (como jurado): | |
| 28 | Qwen2.5-VL-72B-Instruct | 1 | 0–1 | ▲ 2Votado por (modelos juez): deepseek/deepseek-v4-pro×1 gpt-5.4×1 | 0 | |
| 29 | Gemini 2.5 Flash | 1 | 0–1 | ▲ 4Votado por (modelos juez): claude-haiku-4-5-20251001×1 gemini-2.5-flash×1 gemini-flash-latest×1 meta-llama/llama-3.3-70b-instruct×1 | 1Votó por (como jurado): | |
| 30 | Gemini Pro Latest | 1 | 0–1 | ▲ 0 | 2 | |
| 31 | gpt-4o-2024-05-13 | 1 | 0–1 | ▲ 4Votado por (modelos juez): claude-haiku-4-5-20251001×1 gemini-2.5-flash×1 gemini-flash-latest×1 meta-llama/llama-3.3-70b-instruct×1 | 0 | |
| 32 | gpt-5.5-2026-04-23 | 1 | 0–1 | ▲ 4Votado por (modelos juez): claude-haiku-4-5-20251001×1 gemini-2.5-flash×1 gemini-flash-latest×1 meta-llama/llama-3.3-70b-instruct×1 | 0 | |
| 33 | gpt-5.4-2026-03-05 | 1 | 0–1 | ▲ 1Votado por (modelos juez): gpt-5.3-chat-latest×1 | 0 | |
| 34 | gpt-4o | 1 | 0–1 | ▲ 3Votado por (modelos juez): gpt-4o×1 claude-haiku-4-5×1 gemini-flash-latest×1 | 5 | |
| 35 | Gemini Flash Latest | 1 | 0–1 | ▲ 0 | 7 |
▲ tasa de victoriajurado ▲ = jueces del panel que respaldaron este modelo — haz clic para ver cuálescomo-juez = rondas en las que puntuó a otros
Campeón por capacidad Últimos 30 días
Modelo con mayor tasa de victoria que tiene cada capacidad y jugó en la ventana. live
🧠 razonamiento
Claude Opus 4.6
⚙ uso de herramientas
Claude Opus 4.6
👁 visión
Claude Opus 4.6
📋 json-schema
Claude Opus 4.6
🎧 audio
Gemini 2.5 Pro
Tablero de integridad del jurado el volante — quién puntúa en línea con el panel
Por modelo juez: evaluaciones emitidas y con qué frecuencia su elección coincidió con el ganador de la ronda. live
| Juez | Eval. | Coincidencia |
|---|---|---|
| claude-opus-4-7 | 7 | |
| meta-llama/llama-3.3-70b-instruct | 4 | |
| qwen/qwen2.5-vl-72b-instruct | 2 | |
| gemini-3.5-flash | 1 | |
| meta-llama/llama-4-maverick | 1 | |
| minimax/minimax-m2.5 | 1 | |
| gemini-2.5-pro | 1 | |
| claude-opus-4-5-20251101 | 1 | |
| claude-sonnet-4-6 | 1 | |
| Meta-Llama-3_3-70B-Instruct | 1 | |
| gpt-5.5 | 1 | |
| gemini-2.5-flash | 1 | |
| gpt-5.3-chat-latest | 1 | |
| gpt-5.2 | 1 | |
| gpt-4o | 5 | |
| claude-haiku-4-5 | 4 | |
| deepseek/deepseek-v4-pro | 3 | |
| gpt-5.4 | 3 | |
| gemini-flash-latest | 7 | |
| gpt-5-mini | 2 | |
| gemini-pro-latest | 2 | |
| claude-haiku-4-5-20251001 | 2 | |
| qwen/qwen3.7-max | 1 | |
| Mistral-7B-Instruct-v0.3 | 1 |
Coincidencia = proporción de elecciones de este juez que coincidieron con el ganador electo de la ronda.
Votos de usuario y juego
Cómo votaron el panel y los humanos.
| Votos de juego (panel) emitidos | 54 | live |
| Upvotes ▲ comunidad | 33 | histórico |
| Votos de usuario cara a cara | 0 | en vivo · esperando tráfico |
| Votos "modelo deseado" | — | live |
Fuentes: judge_panel · model_arena_activity.upvotes_received · votes · wanted_votes
🔍 Puntos ciegos detectados por el jurado — nuestra métrica de marca, ningún otro tablero la tiene
La cifra distintiva de Tokonomix: por modelo, cuántos puntos ciegos atrapó vs creó el jurado — confirmado solo cuando ≥2 jueces del panel coinciden en que es una omisión real.
| Modelo | Atrapados | Creados | Insight neto |
|---|---|---|---|
| Claude Opus 4.6 | 3 | 0 | +3 |
| Qwen 3.6 Plus | 1 | 2 | -1 |
| Claude Opus 4.7 | 0 | 1 | -1 |
| Claude Opus 4.8 | 1 | 0 | +1 |
| Llama 4 Scout | 1 | 0 | +1 |
| Claude Haiku 4.5 | 1 | 2 | -1 |
| DeepSeek v4 Pro | 2 | 3 | -1 |
| Llama 3.3 70B Instruct | 2 | 1 | +1 |
| gpt-5.5 | 1 | 2 | -1 |
| DeepSeek v3.2 | 0 | 1 | -1 |
| Nous Hermes 3 70B | 0 | 1 | -1 |
| Claude Opus 4.1 | 3 | 1 | +2 |
| Claude Sonnet 4.5 | 3 | 0 | +3 |
| Deep Research Preview (Apr-21-2026) | 2 | 2 | +0 |
| Deep Research Max Preview (Apr-21-2026) | 2 | 1 | +1 |
Una métrica distintiva de Tokonomix — ningún otro tablero la muestra. Aparece cuando la arena emite puntos ciegos (opt-in, nunca en juegos públicos — limitado por coste).
Council vs Frontier ¿más barato Y/O más inteligente?
Equipos consenso de modelos baratos vs un único frontier premium — tasa de victoria y € ahorrados. live
| Duelo | Ganador | Calidad | Coste | Veredicto |
|---|---|---|---|---|
| Council A vs Frontier B | Frontier B | 68 vs 86 | €0.007 vs €0.187 | ganó frontier |
| Council A vs Frontier B | Council A | 76.67 vs 83.33 | €0.210 vs €0.323 | 35% más barato y ganó |
| Council A vs Frontier C | Frontier C | 60.67 vs 86 | €0.136 vs €0.088 | ganó frontier |
| Council A vs Frontier C | empate | 54.67 vs 57.67 | €0.007 vs €0.094 | 93% más barato y ganó |
| Council A vs Frontier B | Frontier B | 71.67 vs 94.33 | €0.086 vs €0.049 | ganó frontier |
| Council A vs Frontier B | Frontier B | 61.67 vs 91 | €0.028 vs €0.044 | ganó frontier |
| Council A vs Frontier B | Frontier B | 78 vs 85 | €0.049 vs €0.049 | ganó frontier |
| Council A vs Frontier C | Frontier C | 72 vs 92 | €0.027 vs €0.017 | ganó frontier |
La narrativa central de Tokonomix, cuantificada por duelo. El coste es dispatch-only (sobrecarga del jurado excluida).
💶 Coste: gastado vs ahorrado lo que vale la historia del consenso, en €
Total € gastado en juegos en esta ventana, y € ahorrados cuando un council más barato igualó o venció a un frontier premium. live
€4.60
gasto total de juego (ventana)
€0.113
ahorrado vs siempre-frontier (solo coste de concursantes)
35%
recorte medio cuando council ganó/empató
⚠ Regla de cálculo: En juegos council el panel de jurado es sobrecarga neutral — cuesta lo mismo sin importar quién juegue, así que NO cuenta para "ahorrado". Ahorro = coste concursante frontier − coste concursante council; per_player_cost es dispatch-only.
Historial de juego por modelo haz clic en un modelo → su historial completo
Cada nombre de modelo enlaza a su página; un historial de juego por modelo, filtrado por tiempo (cada ronda jugada, con resúmenes) está en despliegue — una página fresca, enlazada internamente, que crece con los juegos.