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: 2026-10-01 Bewertete Modelle: 382

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

382/382

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#57#57	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 5 Eingabe-Token 234,572 Ausgabe-Token 8,019 Denk-Token 761,563 Antwortzeit (Durchschnitt) 189.13s Antwortzeit (Gesamt) 4349.92s Antwortzeit (Maximum) 885.33s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 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
#56#56	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
#55#55	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 78.3% Instabile Tests 2 Eingabe-Token 348,967 Ausgabe-Token 1,005 Denk-Token 676,075 Antwortzeit (Durchschnitt) 166.34s Antwortzeit (Gesamt) 3825.81s Antwortzeit (Maximum) 640.85s Anweisungen nicht befolgt: 2 Keine Antwort: 2 Falsche Antwort: 2 Agentenaufgaben : 10.0 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
#54#54	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 73.9% Instabile Tests 4 Eingabe-Token 235,207 Ausgabe-Token 11,065 Denk-Token 69,473 Antwortzeit (Durchschnitt) 31.29s Antwortzeit (Gesamt) 531.98s Antwortzeit (Maximum) 116.86s Anweisungen nicht befolgt: 3 Falsche Antwort: 3 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.5 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 3.7 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.5 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#53#53	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 3 Eingabe-Token 254,914 Ausgabe-Token 10,303 Denk-Token 121,928 Antwortzeit (Durchschnitt) 11.81s Antwortzeit (Gesamt) 271.60s Antwortzeit (Maximum) 56.77s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Agentenaufgaben : 10.0 Anti-KI-Tricks : 9.2 Programmierung : 8.4 Kombiniert : 9.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#52#52	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.231 ↓	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
#51#51	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.241 ↓	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
#50#50	GPT-5.4medium	8.8	OpenAI	$2.213 ↑	24.81s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 4 Eingabe-Token 223,210 Ausgabe-Token 7,312 Denk-Token 89,190 Antwortzeit (Durchschnitt) 24.81s Antwortzeit (Gesamt) 570.60s Antwortzeit (Maximum) 100.41s Falsche Antwort: 5 Anweisungen nicht befolgt: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 8.8 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#49#49	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 3 Eingabe-Token 262,495 Ausgabe-Token 7,787 Denk-Token 86,149 Antwortzeit (Durchschnitt) 25.09s Antwortzeit (Gesamt) 577.14s Antwortzeit (Maximum) 155.75s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#48#48	Claude Fable 5medium	8.9	Anthropic	$5.089	16.84s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 1 Eingabe-Token 272,411 Ausgabe-Token 35,497 Denk-Token 11,788 Antwortzeit (Durchschnitt) 16.84s Antwortzeit (Gesamt) 387.26s Antwortzeit (Maximum) 80.80s Keine Antwort: 3 Ungültiger Werkzeugaufruf: 1 Falsche Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#47#47	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
#46#46	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 75.4% Instabile Tests 4 Eingabe-Token 292,604 Ausgabe-Token 9,569 Denk-Token 278,408 Antwortzeit (Durchschnitt) 21.28s Antwortzeit (Gesamt) 489.46s Antwortzeit (Maximum) 142.49s Anweisungen nicht befolgt: 3 Falsche Antwort: 3 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.3 Programmierung : 10.0 Kombiniert : 8.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#45#45	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
#44#44	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 3 Eingabe-Token 255,743 Ausgabe-Token 8,684 Denk-Token 207,435 Antwortzeit (Durchschnitt) 54.04s Antwortzeit (Gesamt) 1242.97s Antwortzeit (Maximum) 333.47s Falsche Antwort: 2 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#43#43	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 89.9% Instabile Tests 3 Eingabe-Token 197,570 Ausgabe-Token 6,364 Denk-Token 50,704 Antwortzeit (Durchschnitt) 6.82s Antwortzeit (Gesamt) 156.81s Antwortzeit (Maximum) 48.53s Falsche Antwort: 4 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 7.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#42#42	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 1 Eingabe-Token 352,845 Ausgabe-Token 16,553 Denk-Token 7,007 Antwortzeit (Durchschnitt) 9.87s Antwortzeit (Gesamt) 226.95s Antwortzeit (Maximum) 73.15s Falsche Antwort: 4 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 7.8 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
#41#41	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
#40#40	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 3 Eingabe-Token 250,676 Ausgabe-Token 13,511 Denk-Token 315,400 Antwortzeit (Durchschnitt) 39.83s Antwortzeit (Gesamt) 916.20s Antwortzeit (Maximum) 219.77s Falsche Antwort: 4 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 9.6 Allgemeinwissen : 3.0
#39#39	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
#38#38	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 2 Eingabe-Token 244,533 Ausgabe-Token 3,450 Denk-Token 39,280 Antwortzeit (Durchschnitt) 7.85s Antwortzeit (Gesamt) 180.45s Antwortzeit (Maximum) 53.74s Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#36#36	Paretonone	9.1	Unbiased	$1.520	33.47s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.0% Instabile Tests 2 Eingabe-Token 223,559 Ausgabe-Token 128,144 Denk-Token 0 Antwortzeit (Durchschnitt) 33.47s Antwortzeit (Gesamt) 769.84s Antwortzeit (Maximum) 143.33s Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 7.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#37#37	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 3 Eingabe-Token 246,954 Ausgabe-Token 8,378 Denk-Token 698,942 Antwortzeit (Durchschnitt) 170.52s Antwortzeit (Gesamt) 3922.04s Antwortzeit (Maximum) 584.71s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 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
#35#35	Muse Spark 1.3high	9.1	Meta	$1.891	52.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 2 Eingabe-Token 257,320 Ausgabe-Token 14,459 Denk-Token 354,683 Antwortzeit (Durchschnitt) 52.87s Antwortzeit (Gesamt) 1216.04s Antwortzeit (Maximum) 251.53s Falsche Antwort: 3 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 8.7 Werkzeugaufrufe : 9.6 Allgemeinwissen : 3.0
#34#34	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 4 Eingabe-Token 222,794 Ausgabe-Token 7,357 Denk-Token 58,930 Antwortzeit (Durchschnitt) 18.87s Antwortzeit (Gesamt) 433.94s Antwortzeit (Maximum) 100.93s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#33#33	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 87.0% Instabile Tests 3 Eingabe-Token 328,637 Ausgabe-Token 8,619 Denk-Token 432,733 Antwortzeit (Durchschnitt) 186.06s Antwortzeit (Gesamt) 4279.49s Antwortzeit (Maximum) 912.78s Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 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