Instantánea de Benchmarks de LLM, 3 de noviembre de 2026: Gemini 4 Carbon Toma la Arena de Texto

Nuestra página de benchmarks toma una instantánea de los leaderboards públicos de LLM cada vez que se ejecuta el proceso diario, y cada instantánea mantiene su propia URL permanente. Esta es la foto de la semana del 3 de noviembre de 2026, comparada con la última publicación semanal (22 de septiembre) y la instantánea del 25 de octubre.

El titular: Gemini 4 Carbon toma la arena de texto

En el leaderboard de texto de LMArena, Gemini 4 Carbon (High) ha mantenido el primer lugar en cada instantánea desde el 29 de octubre, con aproximadamente 1540 Elo. Reemplazó a su hermano Gemini 4 Argon (High), que lideró durante la mayor parte de octubre y ahora ocupa el segundo lugar con alrededor de 1529. Claude Opus 5.5 (High) es tercero con aproximadamente 1516.

Para contexto, la instantánea del 22 de septiembre tenía a las variantes Claude Fable 5.1 y Claude Opus 5 en la cima, todas alrededor de 1505. En seis semanas, la puntuación máxima subió unos 35 puntos, y el líder cambió de familia.

BenchLM coincide, aunque por poco

El leaderboard general de BenchLM también coloca a Gemini 4 Carbon primero (88.4), seguido de Claude Opus 5.5 (86.3) y GPT-6 Astra (86.1). El 25 de octubre, antes de que Carbon apareciera allí, Claude Opus 5.5 lideraba con 86.6. La brecha entre el segundo y el tercero hoy es una fracción de punto, así que trata el orden por debajo del líder como un empate.

WebDev sigue siendo territorio de Claude

La arena WebDev de LMArena no cambió de manos: Claude Opus 5.5 (Max) lidera con aproximadamente 1810, con GPT-6 Astra (Max) en alrededor de 1773 y Claude Sonnet 5.5 (xHigh) justo detrás con aproximadamente 1770. Los mismos tres primeros se mantuvieron el 25 de octubre. En septiembre, GPT-6 Astra lideraba esta tabla, por lo que la ventaja de Anthropic aquí data del lanzamiento de Opus 5.5.

Aider polyglot está congelado

El leaderboard de codificación polyglot de Aider no se ha actualizado con nuevos modelos de frontera durante semanas: GPT-5 (high) en 88.0, GPT-5 (medium) en 86.7 y o3-pro (high) en 84.9, idéntico a septiembre. Léelo como una referencia histórica, no como una clasificación actual.

Las fuentes discrepan, y ese es el punto

La misma semana, tres líderes diferentes dependiendo de dónde mires: Gemini 4 Carbon en preferencia de chat general y en el agregado de BenchLM, Claude Opus 5.5 en desarrollo web, y un GPT-5 de meses de antigüedad en una tabla de codificación obsoleta. Ningún número único te dice qué modelo usar. Elige el leaderboard que coincida con tu tarea y verifica si todavía se está actualizando.

Una nota de datos: nuestro feed de LiveBench no ha devuelto filas desde la instantánea del 18 de octubre, por lo que LiveBench falta en esta comparación.

Explora los datos