Metodología de fedi-index
Fuentes, licencias, pesos y fórmulas del índice, generados a partir de la misma configuración que usa el cálculo.
Metodología v1 · Datos en vivo de 2026-10 (se recalculan a diario) · Historial · JSON
- Solo entran en el índice fuentes con una licencia abierta explícita (CC BY, MIT, Apache); las que aún esperan permiso permanecen desactivadas.
- Cuentan las ejecuciones independientes; los datos declarados por los fabricantes se muestran con una etiqueta y no reciben peso.
- Una familia de fuentes es un solo voto: las categorías correlacionadas de los mismos votantes no se suman.
- Cada puntuación tiene un desglose público: componente, fuente, valor, peso y fecha.
- La incertidumbre es visible: cada puntuación viene con su intervalo y, con pocos datos, se marca como «provisional».
Fuentes y licencias
| Fuente | Familia | Licencia | En el índice |
|---|---|---|---|
| LMArena Arena Leaderboard Dataset by LMArena, CC BY 4.0. Modified by fedi.software (equated, weighted, aggregated). Not endorsed by LMArena. | Arena (votos humanos) | CC BY 4.0 | sí |
| Epoch AI Epoch AI, 'Capabilities & benchmarking'. Published online at epoch.ai. Retrieved from 'https://epoch.ai/benchmarks'. CC BY. ECI by Epoch AI; Epoch-run results only. Modified by fedi.software. | Epoch AI (benchmarks) | CC BY 4.0 | sí |
| τ²-bench (Sierra) τ²-bench leaderboard, © Sierra Research, MIT License (Yao et al. 2024, arXiv:2406.12045; Barres et al. 2025, arXiv:2506.07982). Sierra-run text submissions only. | τ²-bench (agentes) | MIT | sí |
| LiveBench | LiveBench | — | esperando permiso |
| Terminal-Bench | Terminal-Bench | — | esperando permiso |
| SWE-rebench | SWE-rebench | — | esperando permiso |
| Toolathlon | Toolathlon | — | esperando permiso |
| models.dev Pricing: models.dev, MIT License, © 2025 models.dev. | modelsdev | MIT | sí |
| LiteLLM Pricing: LiteLLM model_prices_and_context_window.json, MIT License, © 2023 Berri AI. | litellm | MIT | sí |
| Hugging Face Downloads (30 days): Hugging Face Hub, as of the snapshot date. | hf | — | sí |
Categorías y pesos
General
Arena (votos humanos) cuota 50 %
- text/overall
text/overall2 - text/hard_prompts
text/hard_prompts2 - text/expert
text/expert1 - text/instruction_following
text/instruction_following1 - text/multi_turn
text/multi_turn0,50 - text/longer_query
text/longer_query0,50
Epoch AI (benchmarks) cuota 50 %
- Epoch Capabilities Index
eci3 - GPQA Diamond
gpqa_diamond0,50 - SimpleQA Verified
simpleqa_verified0,50
Código
Arena (votos humanos) cuota 60 %
- text/coding
text/coding1,5 - webdev/overall
webdev/overall1,5
Epoch AI (benchmarks) cuota 40 %
- SWE-bench Verified
swe_bench_verified1
Agentes
Arena (votos humanos) cuota 60 %
- agent/overall
agent/overall1
τ²-bench (agentes) cuota 40 %
- τ-Knowledge banking
tau2/banking_knowledge1,5 - τ²-bench retail
tau2/retail1 - τ²-bench airline
tau2/airline1 - τ²-bench telecom
tau2/telecom1
Matemáticas
Arena (votos humanos) cuota 50 %
- text/math
text/math1
Epoch AI (benchmarks) cuota 50 %
- FrontierMath Tiers 1–3
frontiermath_t1_32 - FrontierMath Tier 4
frontiermath_t41
Visión provisional
Arena (votos humanos) cuota 100 %
- vision/overall
vision/overall2 - vision/ocr
vision/ocr0,50 - vision/diagram
vision/diagram0,50
Búsqueda provisional
Arena (votos humanos) cuota 100 %
- search/overall
search/overall1
Escritura provisional
Arena (votos humanos) cuota 100 %
- text/creative_writing
text/creative_writing2 - text/longer_query
text/longer_query1
Idiomas provisional
Votos de Arena en cada idioma; la categoría se muestra en la versión del sitio en ese idioma.
English — text/english · Русский — text/russian · Deutsch — text/german · Español — text/spanish · Français — text/french · 日本語 — text/japanese · 한국어 — text/korean · 繁體中文 — text/chinese · Polski — text/polish
Benchmarks y su antigüedad
| Componente | Versión publicada |
|---|---|
Epoch Capabilities Index eci |
en vivo (sin envejecimiento) |
GPQA Diamond gpqa_diamond |
2023-11-20 |
SimpleQA Verified simpleqa_verified |
2025-09-09 |
FrontierMath Tiers 1–3 frontiermath_t1_3 |
2026-06-12 |
FrontierMath Tier 4 frontiermath_t4 |
2026-06-12 |
SWE-bench Verified swe_bench_verified |
2024-08-13 |
τ²-bench retail tau2/retail |
2024-06-17 |
τ²-bench airline tau2/airline |
2024-06-17 |
τ²-bench telecom tau2/telecom |
2025-06-09 |
τ-Knowledge banking tau2/banking_knowledge |
2026-03-04 |
Una versión más antigua de un benchmark recibe menos peso (contaminación, saturación): el peso se reduce a la mitad cada decay_half_life meses, hasta decay_min.
Fórmulas
Cada componente se traslada a la escala de Arena mediante equiparación lineal sobre los modelos medidos por ambos (ancla A = Arena text overall). Los parámetros se fijan en la instantánea de referencia de la versión de la metodología, por lo que los meses siguen siendo comparables.
x_eq = μ_A + (x − μ_c) · σ_A / σ_c se_eq = se · σ_A / σ_c w_c = 8 · family_share[f] · base_w[c] / Σ base_w(f, present) rel_c = τ² / (τ² + se_eq²) w_eff = w_c · rel_c · decay_c · (self_report ? 0 : 1) Q = (Σ w_eff · x_eq + w0 · prior) / (Σ w_eff + w0) SE(Q) = √Σ (w_eff · se_eq)² / (Σ w_eff + w0)
Dentro de una categoría, los componentes se promedian según sus pesos, su fiabilidad (τ) y la antigüedad del benchmark; un modelo con pocos datos se acerca al prior. Parámetros:
anchor- arena:text/overall
total_weight- 8
tau- 15
w0- 0,50
prior_pct- 25
min_anchors- 8
min_votes- 300
min_confidence- 0,90
decay_half_life- 18
decay_min- 0,25
outlier_sigma- 3
outlier_factor- 0,50
population_months- 18
jump_sigma- 3
Nivel = el peor entre el nivel por percentil y el nivel por intervalo de confianza; un modelo con una sola familia de fuentes obtiene como máximo A.
Nivel = el peor entre el nivel por percentil y el nivel por intervalo de confianza; un modelo con una sola familia de fuentes obtiene como máximo A.
provisional_max- A
S ≥ p95A ≥ p80B ≥ p50C ≥ p25 D < p25
Nivel por intervalo de confianza (límite superior del puesto / modelos): S ≤ 10% · A ≤ 30% · B ≤ 60% · C ≤ 85%
Relación calidad-precio
La relación calidad-precio es la distancia por encima de la recta de regresión de la calidad sobre el log₂ del precio; el precio es la mediana de proveedores.
slice- general
input_share- 3
output_share- 1
price_sources- modelsdev, litellm
unit- 1m_tokens
En tu hardware
Local: solo pesos abiertos, la mejor cuantización que cabe en un equipo y la puntuación ajustada por la velocidad de generación.
slice- general
context- 8.192
speed_ref- 20
low_penalty- 0,60
- GPU 12 GB
- GPU 24 GB
- Mac 64 GB
- 128 GB de memoria unificada
- CPU, 32 GB de RAM
Datos, licencia y archivo
El índice (nuestras cifras y desgloses) es CC BY 4.0: «fedi-index by fedi.software» con un enlace. Los componentes conservan las licencias de sus fuentes, indicadas en sources[] del JSON.
El día 1 de cada mes se congela una instantánea que ya no cambia; una nueva versión de la metodología inicia una nueva serie.
JSON mensual: 2026-10
Registro de cambios
- v1 2026-10-01 First version: LMArena + Epoch AI + τ²-bench, linear equating to Arena text Elo with parameters fixed on the reference snapshot, family shares, sub-scores arena / bench, value = residual of the price regression + Pareto, local = Fit on 5 stacks.
- v1.1 2026-10-01 Local quant floor: the quant is picked like local-fit (Q3 floor; below it only when nothing of Q3+ fits — "strong compression", ×0.6, ranked after every Q3+ model). Local only; the v1 scale and the published 2026-10 snapshot are unchanged.