Cargando datos de benchmark…
EyesInAI·Cargando datos de benchmark en vivo
“El mejor modelo de IA” depende del trabajo. El mejor modelo de lenguaje no le dice nada sobre el mejor modelo de voz a texto, de visión o de embeddings. EyesInAI sigue a los líderes de cada capa: medidos en vivo donde hacemos benchmark, seleccionados a mano donde todavía no.
Los modelos de voz se califican por tasa de error de palabras (WER) y por diarización (DER/tcpWER), no con prompts de razonamiento: es otra vara de medir, por eso aquí aparecen como selecciones curadas y no en la tabla de posiciones de texto.
Voz a texto unificado que transcribe hasta 60 minutos de audio en una sola pasada y produce a la vez quién dijo qué y cuándo: transcripción, diarización de hablantes y marcas de tiempo en un solo modelo, en lugar de pasos encadenados. 9B de parámetros, ventana de 64K tokens, más de 50 idiomas con cambio de idioma nativo (code-switching), más palabras clave personalizadas para vocabulario especializado. Con licencia MIT y disponible en Hugging Face Transformers.
La referencia ASR de pesos abiertos (open-weight). Excelente precisión de transcripción en bruto, pero solo transcribe: las etiquetas de hablante y las marcas de tiempo por palabra requieren otras herramientas (pyannote, WhisperX). Es el punto de comparación para cualquier modelo nuevo de audio largo o con diarización.
Comprensión de imágenes, OCR y análisis de documentos, calificados por precisión en la tarea, no en el chat.
Embeddings de texto y vectores ordenados por calidad de recuperación (al estilo MTEB) y costo por millón de tokens.