Versión exacta
Comprueba el identificador del modelo, la fecha y si el alias puede cambiar.
BENCHMARK DOCUMENTADO
Terminal-Bench 4.0 (Claude Code)
Resultados publicados y condiciones declaradas por sus fuentes. Las cifras solo son comparables cuando coinciden versión, configuración, métrica y fecha.
01 / RESULTADOS
Mediciones publicadas
| Modelo | Organización | Resultado | Métrica | Condiciones |
|---|---|---|---|---|
| DeepSeek V4.1 Flash | DeepSeek | 42,3 | Puntuación | DeepSeek-V4.1-Flash-1017 · 17 OCT 2026. HLE: 42,6 completo y 44,0 solo texto, sin herramientas. Terminal-Bench 4.0 usa Claude Code; DeepSWE v1.1, Mini-SWE-V2. Chartography, BabyVision y ZeroBench usan herramientas; ZeroBench-main es Pass@5. Resultado del proveedor, no reproducido por Inferama. |
02 / INTERPRETACIÓN
Antes de comparar
Configuración equivalente
Revisa herramientas, esfuerzo, número de intentos, prompt y presupuesto de inferencia.
Transferencia a tu caso
Valida el resultado con tareas, idiomas, formatos y errores representativos de tu producto.
03 / MÉTODO
Del marcador a una decisión reproducible
Un benchmark público orienta, pero no sustituye una evaluación con tus datos, herramientas, presupuesto y tolerancia al error.
Identifica la versión exacta
Un alias móvil y un snapshot pueden producir resultados diferentes. Registra modelo, fecha y proveedor.
Reconstruye las condiciones
Prompt, razonamiento, herramientas, número de intentos y presupuesto deben ser equivalentes para comparar.
Busca incertidumbre
Una diferencia pequeña puede desaparecer entre ejecuciones. Conserva muestras, dispersión y fallos, no solo la media.
Comprueba transferencia
Valida si la mejora se mantiene en idiomas, formatos y casos reales cercanos a tu producto.
Una métrica solo es útil cuando conocemos la tarea, las condiciones y el error que importa. El resultado empieza por el diseño de la prueba.
04 / FUENTES