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: 2026-10-19 Bewertete Modelle: 451

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

451/451

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#247#247	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 1 Eingabe-Token 230,004 Ausgabe-Token 18,040 Denk-Token 0 Antwortzeit (Durchschnitt) 4.67s Antwortzeit (Gesamt) 107.45s Antwortzeit (Maximum) 49.23s Falsche Antwort: 7 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 6.5 Programmierung : 5.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#81#81	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 1 Eingabe-Token 487,516 Ausgabe-Token 10,212 Denk-Token 909,487 Antwortzeit (Durchschnitt) 61.71s Antwortzeit (Gesamt) 1419.40s Antwortzeit (Maximum) 288.94s Keine Antwort: 3 Falsche Antwort: 1 Agentenaufgaben : 4.7 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 : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#159#159	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 75.4% Instabile Tests 5 Eingabe-Token 257,138 Ausgabe-Token 13,830 Denk-Token 55,775 Antwortzeit (Durchschnitt) 16.98s Antwortzeit (Gesamt) 390.45s Antwortzeit (Maximum) 85.12s Falsche Antwort: 5 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 8.7 Programmierung : 8.4 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 2.8
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 95.7% Instabile Tests 2 Eingabe-Token 233,400 Ausgabe-Token 6,922 Denk-Token 173,178 Antwortzeit (Durchschnitt) 15.10s Antwortzeit (Gesamt) 347.23s Antwortzeit (Maximum) 91.63s Falsche Antwort: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.8 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 94.2% Instabile Tests 1 Eingabe-Token 172,860 Ausgabe-Token 5,172 Denk-Token 13,179 Antwortzeit (Durchschnitt) 8.90s Antwortzeit (Gesamt) 204.78s Antwortzeit (Maximum) 51.03s Falsche Antwort: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 4.7
#215#215	GPT 5.3 Chatdefault	6.7	OpenAI	$0.533	6.31s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 4 Eingabe-Token 78,846 Ausgabe-Token 7,635 Denk-Token 20,544 Antwortzeit (Durchschnitt) 6.31s Antwortzeit (Gesamt) 138.73s Antwortzeit (Maximum) 18.33s Falsche Antwort: 6 API-Fehler: 2 Anweisungen nicht befolgt: 2 Agentenaufgaben : 3.0 Anti-KI-Tricks : 6.7 Programmierung : 5.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#422#422	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
#205#205	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 4 Eingabe-Token 235,086 Ausgabe-Token 7,989 Denk-Token 0 Antwortzeit (Durchschnitt) 9.02s Antwortzeit (Gesamt) 207.45s Antwortzeit (Maximum) 57.02s Falsche Antwort: 10 Agentenaufgaben : 5.0 Anti-KI-Tricks : 6.9 Programmierung : 5.5 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#166#166	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 3 Eingabe-Token 222,601 Ausgabe-Token 8,185 Denk-Token 238,605 Antwortzeit (Durchschnitt) 57.41s Antwortzeit (Gesamt) 1263.02s Antwortzeit (Maximum) 307.08s Falsche Antwort: 6 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 6.1 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#169#169	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.5% Instabile Tests 6 Eingabe-Token 249,486 Ausgabe-Token 14,481 Denk-Token 288,249 Antwortzeit (Durchschnitt) 97.68s Antwortzeit (Gesamt) 1562.81s Antwortzeit (Maximum) 304.85s Falsche Antwort: 6 Zeitüberschreitung: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 8.2 Programmierung : 6.6 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#226#226	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 8 Eingabe-Token 87,682 Ausgabe-Token 7,166 Denk-Token 106,027 Antwortzeit (Durchschnitt) 19.40s Antwortzeit (Gesamt) 446.11s Antwortzeit (Maximum) 209.15s Falsche Antwort: 10 API-Fehler: 2 Agentenaufgaben : 3.0 Anti-KI-Tricks : 6.9 Programmierung : 7.8 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 6.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#129#129	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
#89#89	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 76.8% Instabile Tests 5 Eingabe-Token 281,863 Ausgabe-Token 24,535 Denk-Token 507,976 Antwortzeit (Durchschnitt) 118.83s Antwortzeit (Gesamt) 2733.01s Antwortzeit (Maximum) 600.61s Falsche Antwort: 5 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 6.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 95.7% Instabile Tests 2 Eingabe-Token 188,003 Ausgabe-Token 2,914 Denk-Token 113,210 Antwortzeit (Durchschnitt) 14.03s Antwortzeit (Gesamt) 322.73s Antwortzeit (Maximum) 77.15s Falsche Antwort: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.8 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#85#85	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 71.0% Instabile Tests 4 Eingabe-Token 287,538 Ausgabe-Token 118,266 Denk-Token 346,758 Antwortzeit (Durchschnitt) 97.70s Antwortzeit (Gesamt) 2247.18s Antwortzeit (Maximum) 576.79s Falsche Antwort: 4 Keine Antwort: 3 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 8.4 Rätsellösen : 7.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#68#68	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.5 Erfolgsquote pro Versuch 78.3% Instabile Tests 7 Eingabe-Token 298,476 Ausgabe-Token 7,762 Denk-Token 515,918 Antwortzeit (Durchschnitt) 148.11s Antwortzeit (Gesamt) 3406.53s Antwortzeit (Maximum) 904.91s Zusätzliche Formatierung: 3 Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.3 Programmierung : 8.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 8.4 Rätsellösen : 8.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#126#126	DeepSeek V4.1 Flash 1017high	7.8	DeepSeek	$0.589	58.56s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 6 Eingabe-Token 279,873 Ausgabe-Token 7,049 Denk-Token 904,285 Antwortzeit (Durchschnitt) 58.56s Antwortzeit (Gesamt) 1346.87s Antwortzeit (Maximum) 440.77s Falsche Antwort: 5 Keine Antwort: 3 Anweisungen nicht befolgt: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 4.5 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#64#64	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 73.9% Instabile Tests 2 Eingabe-Token 280,643 Ausgabe-Token 7,342 Denk-Token 437,323 Antwortzeit (Durchschnitt) 32.88s Antwortzeit (Gesamt) 756.34s Antwortzeit (Maximum) 276.31s Falsche Antwort: 5 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#184#184	GPT-5.2 Chatdefault	7.0	OpenAI	$0.594	7.43s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 4 Eingabe-Token 101,104 Ausgabe-Token 10,414 Denk-Token 19,328 Antwortzeit (Durchschnitt) 7.43s Antwortzeit (Gesamt) 163.35s Antwortzeit (Maximum) 38.52s Falsche Antwort: 6 API-Fehler: 2 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 8.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#54#54	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 76.8% Instabile Tests 3 Eingabe-Token 278,684 Ausgabe-Token 10,151 Denk-Token 48,907 Antwortzeit (Durchschnitt) 21.62s Antwortzeit (Gesamt) 497.25s Antwortzeit (Maximum) 119.16s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 9.2 Programmierung : 10.0 Kombiniert : 8.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 8.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#63#63	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 75.4% Instabile Tests 3 Eingabe-Token 282,490 Ausgabe-Token 8,621 Denk-Token 455,535 Antwortzeit (Durchschnitt) 33.27s Antwortzeit (Gesamt) 765.12s Antwortzeit (Maximum) 205.53s Falsche Antwort: 5 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 6.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#117#117	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 6 Eingabe-Token 322,894 Ausgabe-Token 8,010 Denk-Token 394,755 Antwortzeit (Durchschnitt) 43.97s Antwortzeit (Gesamt) 1011.29s Antwortzeit (Maximum) 390.70s Ungültiger Werkzeugaufruf: 2 Keine Antwort: 2 Falsche Antwort: 2 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 8.2 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#49#49	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 2 Eingabe-Token 244,529 Ausgabe-Token 6,784 Denk-Token 213,142 Antwortzeit (Durchschnitt) 11.92s Antwortzeit (Gesamt) 274.14s Antwortzeit (Maximum) 53.09s Falsche Antwort: 5 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 Kombiniert : 9.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#222#222	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 55.1% Instabile Tests 5 Eingabe-Token 262,387 Ausgabe-Token 7,344 Denk-Token 338,881 Antwortzeit (Durchschnitt) 115.00s Antwortzeit (Gesamt) 2645.11s Antwortzeit (Maximum) 560.39s Falsche Antwort: 8 API-Fehler: 2 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#283#283	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 1 Eingabe-Token 123,273 Ausgabe-Token 19,362 Denk-Token 0 Antwortzeit (Durchschnitt) 7.67s Antwortzeit (Gesamt) 122.78s Antwortzeit (Maximum) 51.18s Falsche Antwort: 5 Zusätzliche Formatierung: 4 Anweisungen nicht befolgt: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 4.8 Programmierung : 5.5 Kombiniert : 9.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 6.5 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 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