Modelos de IA, os preços dos seus fornecedores e rankings a partir de medições independentes. Sob cada tabela está escrito de onde vem o número, quem o mediu, quando e até que ponto se pode confiar nele.
Último recálculo: 7 agosto 2026
Pontuação global
A classificação geral: quatro capacidades reunidas em uma única pontuação, para comparar os modelos como um todo e não por uma única tarefa. É construída com comparações às cegas feitas por pessoas reais: responde a quais respostas são preferidas com mais frequência, não a quantas tarefas foram resolvidas. Para uma habilidade específica, a seleção dedicada é mais precisa.
Pontuação por tarefas
Quantas tarefas de programação o modelo realmente resolveu em conjuntos fixos de testes — um resultado verificável, não uma opinião. A seleção tem um segundo olhar, baseado em votos humanos às cegas: a ordem lá é diferente, e a distância entre as duas listas diz mais do que cada uma delas separadamente.
Pontuação por tarefas
Tarefas de raciocínio em que a resposta é certa ou errada: conta-se a parte de problemas resolvidos, não as respostas que agradam. Ao lado há um segundo olhar, com votos humanos às cegas. A lógica é onde preferência e problema resolvido mais se separam: um raciocínio bem escrito agrada mesmo quando a sua resposta é errada.
Pontuação por tarefas
Um teste de conhecimentos factuais com perguntas que têm uma única resposta correta. Difere das seleções vizinhas porque aqui o modelo não raciocina nem escreve código — ele lembra. O segundo olhar sobre o mesmo tema vem dos votos humanos às cegas.
Pontuação por tarefas
A parte de problemas matemáticos resolvidos, do nível olimpíada ao nível pesquisa. As porcentagens são mais baixas do que nas outras seleções, e isso é uma propriedade dos problemas, não dos modelos: compará-las com os números da seleção de conhecimentos não faz sentido. O segundo olhar vem dos votos humanos às cegas.
Pontuação por tarefas
Aqui o modelo não responde a uma pergunta, faz o trabalho: edita arquivos em um sistema operacional, pesquisa, completa tarefas em um ambiente de trabalho. Por isso as porcentagens são baixas mesmo nos modelos fortes, e não se comparam com as pontuações da seleção de conhecimentos — é um trabalho diferente, não uma força diferente.
Arena Score, inglês
Comparação às cegas de respostas em inglês — a língua em que a maior parte dos modelos foi mais treinada. Um recorte próprio é necessário porque a ordem dos modelos muda visivelmente de uma língua para outra, e a classificação geral não mostra essa diferença.
Arena Score, francês
Comparação às cegas de respostas em francês. Como nos outros recortes de língua, o interessante não é tanto a pontuação, mas a posição do modelo em relação à sua própria posição nas outras línguas: a constância de língua para língua diz mais do que uma única linha alta.
Arena Score, espanhol
Comparação às cegas de respostas em espanhol. Vale ler ao lado do recorte de inglês: a distância entre as duas posições de um mesmo modelo mostra o quanto ele perde fora da língua em que mais foi treinado.
Preço, $ por 1M de tokens
O preço do acesso por API por milhão de tokens, em dólares, pela oferta mais barata entre os fornecedores. Entrada e saída são reunidas em um único número: a saída costuma custar várias vezes mais, e ordenar os modelos apenas pelo preço de entrada colocaria no topo algo diferente do mais barato.
Contexto, tokens
Quanto texto o modelo aceita em uma única solicitação. O número é declarado pelo desenvolvedor e por enquanto não conseguimos verificá-lo: em janelas longas a qualidade costuma cair muito antes do limite. Esta seleção responde, portanto, se o texto vai caber — não se o modelo vai entendê-lo.
Arena Score, imagens
Até que ponto o modelo entende uma imagem junto com o texto: comparação às cegas de respostas a solicitações que trazem uma imagem anexada. Não confundir com a geração de imagens — lá o modelo desenha, aqui ele olha.
Arena Score, geração
Comparação às cegas de imagens prontas: as pessoas escolhem a melhor sem saber qual modelo a desenhou. É um julgamento do resultado a olho, não uma verificação contra uma tarefa; por isso a diferença entre posições vizinhas na maioria das vezes não é estatisticamente significativa.
Arena Score, vídeo
A mesma comparação às cegas das imagens, mas para vídeo. Aqui há dez vezes menos modelos do que nas seleções de texto, e as primeiras posições se destacam do resto com mais clareza — simplesmente porque os participantes são poucos.
Arena Score, web
Solicitações sobre layout e aplicações web, avaliadas às cegas por pessoas. Difere da seleção de programação na medida: lá são contadas as tarefas resolvidas, aqui qual resultado as pessoas preferiram. Para a web isso é mais próximo do assunto, porque a aparência do resultado é parte do que se julga.
Arena Score, texto
Textos literários e escrita livre, avaliados às cegas por pessoas: um trabalho assim não tem resposta correta, então a preferência é a medida mais honesta disponível. Há também um segundo olhar, de uma rodada de tarefas com nota; ele mede outra coisa e dá outra ordem.
Pontuação global
A mesma pontuação global da classificação geral, mas só entre modelos de pesos abertos — os que podem ser baixados e executados no próprio hardware. A seleção mostra o quanto os modelos abertos ficam atrás dos fechados, e em que tarefas não ficam atrás de forma alguma.
O catálogo, os preços e as avaliações são coletados de fontes abertas; o direito de republicação é verificado na licença antes de um número chegar ao site. Sob cada tabela indicamos quem mediu o que ela mostra e quando. Os números que não podem ser publicados servem apenas para conferência e não são mostrados no site.