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: 2026-09-02 Bewertete Modelle: 311

Empfohlene Modelle

GPT-5.6 Sol high Intelligent Erfolgsquote pro Versuch 89.4% Korrekte Tests 18 / 22 Punktzahl 9.4/10 GPT-5.6 Luna medium Schnell Antwortzeit (Durchschnitt) 7.43s Gesamte Ausgabe-Token 44,525 Punktzahl 7.4/10 DeepSeek V4 Flash 0731 high Preiswert Eingabepreis $0.065 / 1M Ausgabepreis $0.180 / 1M Punktzahl 8.0/10

311/311

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#211#211	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 14 Zuverlässigkeit 8.5 Erfolgsquote pro Versuch 43.9% Instabile Tests 4 Eingabe-Token 81,742 Ausgabe-Token 423,884 Denk-Token 1,340,907 Antwortzeit (Durchschnitt) 141.99s Antwortzeit (Gesamt) 3123.87s Antwortzeit (Maximum) 786.72s Falsche Antwort: 9 Zusätzliche Formatierung: 2 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 8.4 Programmierung : 4.5 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 3.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.0 Erfolgsquote pro Versuch 77.3% Instabile Tests 2 Eingabe-Token 34,960 Ausgabe-Token 2,887 Denk-Token 221,241 Antwortzeit (Durchschnitt) 142.84s Antwortzeit (Gesamt) 2714.02s Antwortzeit (Maximum) 766.58s API-Fehler: 2 Keine Antwort: 2 Zusätzliche Formatierung: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#104#104	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.1% Instabile Tests 2 Eingabe-Token 97,324 Ausgabe-Token 44,383 Denk-Token 346,490 Antwortzeit (Durchschnitt) 143.55s Antwortzeit (Gesamt) 3158.11s Antwortzeit (Maximum) 939.52s Falsche Antwort: 7 API-Fehler: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 51.5% Instabile Tests 4 Eingabe-Token 93,411 Ausgabe-Token 30,470 Denk-Token 356,172 Antwortzeit (Durchschnitt) 153.29s Antwortzeit (Gesamt) 3372.36s Antwortzeit (Maximum) 941.66s Falsche Antwort: 7 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Zeitüberschreitung: 2 Anti-KI-Tricks : 8.9 Programmierung : 7.8 Kombiniert : 10.0 Datenanalyse und -extraktion : 3.6 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#18#18	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.3% Instabile Tests 2 Eingabe-Token 104,464 Ausgabe-Token 6,844 Denk-Token 590,392 Antwortzeit (Durchschnitt) 163.90s Antwortzeit (Gesamt) 3605.87s Antwortzeit (Maximum) 739.98s Falsche Antwort: 3 Keine Antwort: 2 Anti-KI-Tricks : 8.2 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#49#49	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 77.3% Instabile Tests 2 Eingabe-Token 100,179 Ausgabe-Token 904 Denk-Token 655,731 Antwortzeit (Durchschnitt) 167.89s Antwortzeit (Gesamt) 3693.54s Antwortzeit (Maximum) 640.85s Anweisungen nicht befolgt: 2 Keine Antwort: 2 Falsche Antwort: 2 Anti-KI-Tricks : 10.0 Programmierung : 8.1 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#29#29	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 3 Eingabe-Token 104,695 Ausgabe-Token 6,645 Denk-Token 691,086 Antwortzeit (Durchschnitt) 173.96s Antwortzeit (Gesamt) 3827.19s Antwortzeit (Maximum) 584.71s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 8.2 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#202#202	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 50.0% Instabile Tests 2 Eingabe-Token 65,716 Ausgabe-Token 189,424 Denk-Token 379,112 Antwortzeit (Durchschnitt) 191.63s Antwortzeit (Gesamt) 3066.07s Antwortzeit (Maximum) 1597.85s Falsche Antwort: 5 Anweisungen nicht befolgt: 3 API-Fehler: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 2.4 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 8.3 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#50#50	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 5 Eingabe-Token 104,433 Ausgabe-Token 6,511 Denk-Token 752,680 Antwortzeit (Durchschnitt) 193.59s Antwortzeit (Gesamt) 4258.98s Antwortzeit (Maximum) 885.33s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 8.2 Programmierung : 8.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 9.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 5.4 Erfolgsquote pro Versuch 19.7% Instabile Tests 3 Eingabe-Token 45,154 Ausgabe-Token 4,022 Denk-Token 678,516 Antwortzeit (Durchschnitt) 214.25s Antwortzeit (Gesamt) 4713.56s Antwortzeit (Maximum) 597.45s API-Fehler: 14 Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.0 Programmierung : 5.2 Kombiniert : 2.9 Datenanalyse und -extraktion : 8.7 Domänenspezifisch : 4.5 Allgemeine Intelligenz : 7.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 7.6 Erfolgsquote pro Versuch 39.4% Instabile Tests 10 Eingabe-Token 43,278 Ausgabe-Token 181,083 Denk-Token 431,132 Antwortzeit (Durchschnitt) 235.89s Antwortzeit (Gesamt) 5189.64s Antwortzeit (Maximum) 685.87s Zeitüberschreitung: 10 Falsche Antwort: 6 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.9 Programmierung : 3.8 Kombiniert : 5.0 Datenanalyse und -extraktion : 3.8 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 6.4 Rätsellösen : 2.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0

←

1 12 13

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium