Artificial Analysis suele ser la primera parada al comparar API de LLM, porque cronometra solicitudes reales a cada proveedor. Pero es solo una perspectiva. Otros sitios clasifican por votos humanos, por puntuaciones de benchmarks, por uso o por precio, y cada uno responde a una pregunta distinta. Esta guía explica qué mide cada uno, cómo, qué datos puede llevarse y cuándo usarlo. Todos los datos de abajo se leyeron en las propias páginas de cada sitio el 15 de noviembre de 2026.
Primero, una aclaración: BroadRouter es el sitio web de la propia BroadNet. Dirige a los desarrolladores a BroadNet Inference y publica datos de precios. No hace benchmarks de modelos y aparece en esta lista solo por los precios.
¿Qué hace bien Artificial Analysis?
Artificial Analysis se describe como “Independent analysis of AI” (Traducción: análisis independiente de la IA). Su página de metodología explica tres cosas que hace y que pocos más hacen:
- Velocidad por endpoint de proveedor. La velocidad de salida son los “output tokens per second over each request’s full duration” (Traducción: tokens de salida por segundo durante toda la duración de cada solicitud), incluidos los tokens de razonamiento, promediados “over the workloads we measured in the past 5 days” (Traducción: sobre las cargas de trabajo que medimos en los últimos 5 días). Como un mismo modelo “may have multiple endpoints across different providers” (Traducción: puede tener varios endpoints en distintos proveedores), puede ver que el mismo modelo va más rápido en un host que en otro.
- Latencia comparable. Informa del tiempo hasta el primer token, el tiempo hasta el primer token de la respuesta (que incluye el razonamiento, para comparar con justicia modelos con y sin razonamiento) y el tiempo total de principio a fin.
- Evaluaciones propias. El Intelligence Index v5.0.1 combina nueve evaluaciones en cuatro grupos de igual peso (trabajo de conocimiento, programación, ciencia, general). Varias son benchmarks propios o ejecuciones propias de tareas de otros, con el número de repeticiones indicado.
Su ranking de proveedores cubre “over 500 AI Model endpoints” (Traducción: más de 500 endpoints de modelos de IA) con costo por tarea, tiempo por tarea, latencia hasta el primer token de la respuesta, tasa de error, ventana de contexto y licencia. Los precios son “the current prices listed by providers” (Traducción: los precios actuales que publican los proveedores), y su precio combinado usa una proporción 7:2:1 de tokens con acierto de caché, de entrada y de salida. Ajuste mentalmente esa mezcla si su carga de trabajo es intensiva en salida.
Si necesita velocidad y tasas de error medidas por proveedor, es difícil de reemplazar. La gente busca alternativas cuando quiere otra señal: preferencia humana, un dominio concreto, datos brutos descargables o una lista de precios con fuente en cada fila.
¿Qué alternativas a Artificial Analysis hay?
| Sitio | Qué mide | Método | Datos que puede llevarse | Ideal para |
|---|---|---|---|---|
| Artificial Analysis | Índice de inteligencia, velocidad de salida, latencia, tasa de error, precio por endpoint | Ejecuta sus propias evaluaciones y solicitudes cronometradas; ventana móvil de velocidad de 5 días | API gratuita, atribución obligatoria | Velocidad y latencia por proveedor |
| Arena (antes LMArena) | Preferencia humana | Dos modelos anónimos responden, una persona vota y después se revelan los nombres | Conjuntos de datos de preferencias abiertos en Hugging Face | Cómo perciben las personas las respuestas |
| Epoch AI Benchmarking Hub | Puntuaciones de benchmarks a lo largo del tiempo | Ejecuta algunos benchmarks con Inspect; recopila otros de rankings oficiales | CSV y un cliente de Python; sus datos son CC BY | Tendencias y puntuaciones brutas |
| Vals AI | Precisión por dominio, costo y latencia | 42 benchmarks, algunos privados o reservados | No se indica en la página de benchmarks | Derecho, finanzas, impuestos y otros dominios |
| Rankings de OpenRouter | Uso | Tokens procesados a través de OpenRouter, en tramos diarios UTC | API pública de modelos con precios | Qué ejecutan realmente los desarrolladores |
| Open LLM Leaderboard (Hugging Face) | Puntuaciones de modelos de pesos abiertos | Seis benchmarks en el harness de Eleuther AI | Conjuntos de datos de resultados y solicitudes | Comparar checkpoints abiertos |
| Datos de precios de BroadRouter (sitio de BroadNet) | Solo precios publicados | Leídos de la página de precios de cada proveedor, con URL, fecha y cita | CSV y JSON, CC BY 4.0 para la compilación | Verificar un precio en su fuente |
¿En qué se diferencia Arena?
Arena (lmarena.ai ahora redirige a arena.ai) pide a personas reales que comparen dos respuestas anónimas y elijan una. Los nombres de los modelos solo aparecen después del voto. Eso mide preferencia, que mezcla precisión con tono, longitud y formato. Su ranking tiene tablas separadas, entre ellas Text, WebDev, Vision, Document y Search, y su vista de Pareto muestra un costo por tarea. Arena dice haber publicado en abierto sus datos de preferencias en Hugging Face, lo que es útil si quiere estudiar los votos en lugar de leer una posición.
Úselo para ver cómo cae una respuesta de chat entre las personas. No lo use para elegir un proveedor de API: clasifica modelos, no hosts, y no dice nada de la velocidad en un endpoint concreto.
¿Cuándo encajan mejor Epoch AI y Vals AI?
Epoch AI mantiene una base de datos de resultados de benchmarks, con 99 benchmarks y 428 modelos cuando la consultamos. Algunos resultados los ejecuta con el framework Inspect; el resto procede de rankings oficiales mantenidos por los creadores de los benchmarks. Puede descargar los datos en CSV o usar su cliente de Python. Sus datos propios se pueden reutilizar gratis citando la fuente bajo CC BY; los resultados de fuentes externas conservan sus licencias originales. Elija Epoch cuando quiera puntuaciones brutas o una línea de tendencia, no un índice único.
Vals AI ejecuta 42 benchmarks de derecho, finanzas, salud, programación, matemáticas y más, y algunos conjuntos son privados o reservados, lo que reduce el riesgo de que un modelo se haya entrenado con la prueba. Sus rankings comparan precisión, costo y latencia, y su Inference Provider Index compara proveedores en precisión, costo y velocidad. Su índice compuesto, Vals Index, pondera los sectores según su peso en el PIB de EE. UU. Elija Vals cuando su tarea se parezca a uno de sus dominios.
¿Qué muestran realmente los rankings de OpenRouter?
Uso. Cada modelo se clasifica por los “tokens it processed through the OpenRouter API” (Traducción: tokens que procesó a través de la API de OpenRouter), prompt y respuesta juntos, en los últimos uno, siete o treinta días. La página afirma claramente que los rankings “do not rank models by accuracy, reasoning ability, or benchmark performance” (Traducción: no clasifican los modelos por precisión, capacidad de razonamiento ni rendimiento en benchmarks). Un modelo que escribe respuestas largas o que se ejecuta en bucles largos de agentes sube en la tabla. Léalo como una señal de popularidad y una lista de modelos que vale la pena probar. OpenRouter también tiene un endpoint público de modelos con precios por modelo, que refleja lo que cobra OpenRouter, no lo que cobra cada host directamente.
¿Sigue valiendo la pena el Open LLM Leaderboard de Hugging Face?
Para checkpoints de pesos abiertos, sí, con cuidado. La documentación de Hugging Face dice que la primera versión se archivó en junio de 2024 y fue reemplazada. La versión actual puntúa los modelos en IFEval, BBH, MATH level 5, GPQA, MuSR y MMLU-Pro con el harness de evaluación de Eleuther AI, y publica los resultados como conjuntos de datos. Evalúa archivos de modelos, no API alojadas, así que no puede informarle sobre precio, velocidad ni cómo sirve un proveedor el modelo.
¿Dónde comparar modelos en árabe?
Los rankings generales dicen poco sobre el árabe, y los filtros visibles de Arena no incluyen el idioma. Dos Spaces de Hugging Face cubren parte del hueco:
- El Open Arabic LLM Leaderboard, gestionado por la organización OALL, para texto en árabe.
- El Open Universal Arabic ASR Leaderboard, descrito como “a benchmark for open-source multi-dialect Arabic ASR models” (Traducción: un benchmark de modelos ASR árabes de código abierto y multidialectales), para reconocimiento de voz. BroadNet informa #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) para su modelo Transcribe Arabic. Es la cifra de BroadNet, y la tabla cambia a medida que se añaden modelos.
Lea los resultados de voz por dialecto, no solo el promedio. La tasa de error de palabras en ASR árabe, explicada muestra cómo.
¿Dónde encajan los datos de precios de BroadRouter?
BroadRouter publica tres recursos de precios: las páginas de precios de API de LLM por modelo, el índice de precios con medianas y dispersiones, y la base de datos de precios brutos de proveedores. Cada fila se lee de la página de precios del propio proveedor y se guarda con la URL de la fuente, la fecha y una cita literal, y un script semanal vuelve a descargar las fuentes. No se usa ningún feed de agregadores.
Lo que no hace importa igual:
- No mide velocidad, latencia, disponibilidad ni calidad. Para eso, use Artificial Analysis, Arena, Epoch AI o Vals AI.
- Solo contiene precios de terceros. Los precios de la propia BroadNet están en su pricing.json y en la página de precios.
- Es el sitio de BroadNet, así que trátelo como la compilación de un proveedor que puede verificar fila por fila, no como un juez neutral.
¿Cómo combinar estos sitios?
- Haga una lista corta por calidad. Use Arena para la sensación en el chat y Epoch AI o Vals AI para las puntuaciones de tareas en su dominio. Quédese con tres a cinco modelos.
- Compruebe la velocidad en el host que va a usar. Artificial Analysis muestra velocidad y latencia por endpoint. La latencia de los LLM, explicada indica qué cifra importa para su aplicación.
- Compruebe el precio en la fuente. Use una base de datos de precios para encontrar los proveedores y luego abra la página de cada proveedor. Fíjese en los precios de entrada en caché y de salida, que mueven la factura más que la entrada en muchas cargas de trabajo.
- Pruebe con sus propios datos. Pase de 50 a 100 entradas reales por cada finalista y puntúelas. Un benchmark solo predice sus resultados en la medida en que sus tareas se parezcan a las suyas. Cómo evaluar un LLM antes de cambiar ofrece el método, y la lista de 20 puntos para elegir proveedor cubre límites, privacidad y soporte.
Dónde encaja BroadNet Inference
BroadNet Inference es una API compatible con OpenAI, no un ranking. Sirve un conjunto reducido de modelos: DeepSeek V4.1 Flash (alojado por un socio), GLM 5.3, Qwen3.8 27B, Gemma 4 VL 26B y dos modelos de voz a texto. Las llamadas a herramientas y la salida estructurada solo están documentadas para GLM 5.3 y Qwen3.8 27B. Las cuentas de autoservicio no tienen SLA, y no hay API batch ni embeddings. Si alguno de estos modelos entra en su lista corta, el crédito inicial de $5 cubre Gemma 4 VL 26B, ambos modelos Transcribe y las claves por hora de Gemma, así que puede hacer el paso 4 con sus propias entradas antes de pagar; DeepSeek, GLM y Qwen necesitan una recarga. Los prompts y las respuestas no se conservan. Compare los modelos o cree una cuenta.
