AI Benchy Bestenliste

Name: AI BENCHY Modell-Benchmark-Ergebnisse
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks aus AI BENCHY-Test-Suites generiert am: 2026-10-17 Bewertete Modelle: 442

Empfohlene Modelle

GPT-6.1 Sol xhigh Intelligent Erfolgsquote pro Versuch 97.1% Korrekte Tests 22 / 23 Punktzahl 9.9/10 Gemini 3.7 Flash low Schnell Antwortzeit (Durchschnitt) 6.24s Gesamte Ausgabe-Token 38,453 Punktzahl 9.4/10 GPT-6 Luna high Preiswert Eingabepreis $0.100 / 1M Ausgabepreis $0.500 / 1M Preis für Cache-Lesen $0.010 / 1M Preis für Cache-Schreiben $0.125 / 1M Punktzahl 7.7/10

442/442

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 30.4% Instabile Tests 3 Eingabe-Token 241,357 Ausgabe-Token 64,021 Denk-Token 1 Antwortzeit (Durchschnitt) 26.34s Antwortzeit (Gesamt) 605.78s Antwortzeit (Maximum) 238.89s Falsche Antwort: 13 Anweisungen nicht befolgt: 3 Keine Antwort: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 4.6 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 37.7% Instabile Tests 2 Eingabe-Token 463,872 Ausgabe-Token 219,122 Denk-Token 0 Antwortzeit (Durchschnitt) 26.52s Antwortzeit (Gesamt) 609.94s Antwortzeit (Maximum) 480.96s Falsche Antwort: 14 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 3.5 Programmierung : 5.5 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.1% Instabile Tests 4 Eingabe-Token 319,524 Ausgabe-Token 440,835 Denk-Token 0 Antwortzeit (Durchschnitt) 26.57s Antwortzeit (Gesamt) 611.09s Antwortzeit (Maximum) 152.83s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 8.7 Programmierung : 8.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#100#100	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 81.2% Instabile Tests 4 Eingabe-Token 227,164 Ausgabe-Token 20,029 Denk-Token 60,991 Antwortzeit (Durchschnitt) 26.88s Antwortzeit (Gesamt) 591.34s Antwortzeit (Maximum) 102.40s Falsche Antwort: 3 Keine Antwort: 2 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.2 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#56#56	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 73.9% Instabile Tests 2 Eingabe-Token 305,707 Ausgabe-Token 10,240 Denk-Token 291,479 Antwortzeit (Durchschnitt) 27.02s Antwortzeit (Gesamt) 621.38s Antwortzeit (Maximum) 165.38s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 7.9 Werkzeugaufrufe : 9.8 Allgemeinwissen : 3.0
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 1 Eingabe-Token 276,512 Ausgabe-Token 8,152 Denk-Token 96,444 Antwortzeit (Durchschnitt) 27.34s Antwortzeit (Gesamt) 628.75s Antwortzeit (Maximum) 126.60s Falsche Antwort: 4 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 30.4% Instabile Tests 4 Eingabe-Token 349,876 Ausgabe-Token 39,789 Denk-Token 0 Antwortzeit (Durchschnitt) 27.42s Antwortzeit (Gesamt) 630.70s Antwortzeit (Maximum) 387.15s Falsche Antwort: 13 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Zusätzliche Formatierung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 3.4 Programmierung : 4.3 Kombiniert : 3.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 5.0 Rätsellösen : 3.2 Werkzeugaufrufe : 9.5 Allgemeinwissen : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.0% Instabile Tests 2 Eingabe-Token 319,095 Ausgabe-Token 10,371 Denk-Token 32,411 Antwortzeit (Durchschnitt) 27.55s Antwortzeit (Gesamt) 633.73s Antwortzeit (Maximum) 95.95s Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 73.9% Instabile Tests 4 Eingabe-Token 266,849 Ausgabe-Token 8,284 Denk-Token 363,263 Antwortzeit (Durchschnitt) 28.04s Antwortzeit (Gesamt) 645.03s Antwortzeit (Maximum) 149.84s Falsche Antwort: 7 API-Fehler: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 1 Eingabe-Token 106,316 Ausgabe-Token 79,338 Denk-Token 41,089 Antwortzeit (Durchschnitt) 28.08s Antwortzeit (Gesamt) 421.15s Antwortzeit (Maximum) 140.96s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Zeitüberschreitung: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 6.5 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 75.4% Instabile Tests 5 Eingabe-Token 277,967 Ausgabe-Token 9,240 Denk-Token 383,606 Antwortzeit (Durchschnitt) 28.15s Antwortzeit (Gesamt) 647.40s Antwortzeit (Maximum) 192.00s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.1 Programmierung : 10.0 Kombiniert : 8.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 6 Eingabe-Token 218,199 Ausgabe-Token 175,696 Denk-Token 0 Antwortzeit (Durchschnitt) 28.26s Antwortzeit (Gesamt) 649.90s Antwortzeit (Maximum) 151.76s Falsche Antwort: 6 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.5 Programmierung : 10.0 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 75.4% Instabile Tests 7 Eingabe-Token 219,811 Ausgabe-Token 8,811 Denk-Token 59,671 Antwortzeit (Durchschnitt) 28.38s Antwortzeit (Gesamt) 652.78s Antwortzeit (Maximum) 159.91s Falsche Antwort: 6 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Modellkarte anzeigen Gesamttests 20 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 34.8% Instabile Tests 3 Eingabe-Token 131,652 Ausgabe-Token 16,869 Denk-Token 53,081 Antwortzeit (Durchschnitt) 28.63s Antwortzeit (Gesamt) 486.69s Antwortzeit (Maximum) 140.90s Falsche Antwort: 9 API-Fehler: 3 Anweisungen nicht befolgt: 2 Agentenaufgaben : 6.1 Anti-KI-Tricks : 6.5 Programmierung : 1.5 Kombiniert : 1.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 42.0% Instabile Tests 4 Eingabe-Token 11,793 Ausgabe-Token 1,809 Denk-Token 265,466 Antwortzeit (Durchschnitt) 28.69s Antwortzeit (Gesamt) 459.00s Antwortzeit (Maximum) 138.35s Falsche Antwort: 7 API-Fehler: 3 Anweisungen nicht befolgt: 2 Agentenaufgaben : 0.0 Anti-KI-Tricks : 8.7 Programmierung : 3.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 3.8 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.4 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#75#75	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 3 Eingabe-Token 298,682 Ausgabe-Token 8,374 Denk-Token 80,549 Antwortzeit (Durchschnitt) 29.07s Antwortzeit (Gesamt) 668.66s Antwortzeit (Maximum) 207.79s Falsche Antwort: 4 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 2 Eingabe-Token 85,669 Ausgabe-Token 6,092 Denk-Token 292,801 Antwortzeit (Durchschnitt) 29.10s Antwortzeit (Gesamt) 669.40s Antwortzeit (Maximum) 122.60s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 API-Fehler: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 9.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 4.8 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#158#158	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 4 Eingabe-Token 225,013 Ausgabe-Token 12,197 Denk-Token 87,143 Antwortzeit (Durchschnitt) 29.11s Antwortzeit (Gesamt) 669.54s Antwortzeit (Maximum) 163.41s Falsche Antwort: 4 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 8.3 Programmierung : 8.2 Kombiniert : 6.4 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#143#143	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 4 Eingabe-Token 302,228 Ausgabe-Token 181,271 Denk-Token 0 Antwortzeit (Durchschnitt) 29.38s Antwortzeit (Gesamt) 675.79s Antwortzeit (Maximum) 234.56s Falsche Antwort: 10 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.4 Programmierung : 6.2 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 4.2 Befolgung von Anweisungen : 6.2 Rätsellösen : 8.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#83#83	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 4 Eingabe-Token 214,645 Ausgabe-Token 15,532 Denk-Token 103,679 Antwortzeit (Durchschnitt) 29.42s Antwortzeit (Gesamt) 676.56s Antwortzeit (Maximum) 111.48s Falsche Antwort: 5 Anweisungen nicht befolgt: 3 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.1 Programmierung : 10.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 19 Zuverlässigkeit 8.9 Erfolgsquote pro Versuch 17.4% Instabile Tests 0 Eingabe-Token 177,989 Ausgabe-Token 26,954 Denk-Token 0 Antwortzeit (Durchschnitt) 29.47s Antwortzeit (Gesamt) 677.70s Antwortzeit (Maximum) 159.85s Falsche Antwort: 13 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 3.0 Anti-KI-Tricks : 3.0 Programmierung : 3.9 Kombiniert : 3.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.5 Werkzeugaufrufe : 9.5 Allgemeinwissen : 3.0
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 97.1% Instabile Tests 1 Eingabe-Token 170,731 Ausgabe-Token 5,865 Denk-Token 84,230 Antwortzeit (Durchschnitt) 29.67s Antwortzeit (Gesamt) 682.42s Antwortzeit (Maximum) 381.11s Falsche Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#117#117	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 5 Eingabe-Token 238,925 Ausgabe-Token 7,109 Denk-Token 177,063 Antwortzeit (Durchschnitt) 29.94s Antwortzeit (Gesamt) 688.57s Antwortzeit (Maximum) 138.75s Falsche Antwort: 6 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.6 Programmierung : 8.4 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.8 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#46#46	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 2 Eingabe-Token 268,540 Ausgabe-Token 7,499 Denk-Token 85,499 Antwortzeit (Durchschnitt) 30.42s Antwortzeit (Gesamt) 699.68s Antwortzeit (Maximum) 168.09s Falsche Antwort: 5 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#299#299	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 53.6% Instabile Tests 10 Eingabe-Token 289,086 Ausgabe-Token 194,450 Denk-Token 0 Antwortzeit (Durchschnitt) 30.63s Antwortzeit (Gesamt) 704.47s Antwortzeit (Maximum) 340.88s Falsche Antwort: 13 Anweisungen nicht befolgt: 2 Agentenaufgaben : 4.7 Anti-KI-Tricks : 6.9 Programmierung : 5.6 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 4.4 Rätsellösen : 7.9 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0

Globale Benchmark-Trends

Sieh, wie aktuelle Modelle Score, Kosten, Geschwindigkeit, Ausgabelänge und Kategoriestärke ausbalancieren.

Diagramme →

Pareto-Frontier: Intelligenz vs. Kosten

Score-Frontier führender Unternehmen im Zeitverlauf

Pareto-Frontier: Intelligenz vs. Antwortgeschwindigkeit

Pareto-Frontier: Score vs. Ausgabe-Tokens

Kategorieschwierigkeit über alle Modelle

Schnellvergleich

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow