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)
#116#116	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 76.8% Instabile Tests 6 Eingabe-Token 288,919 Ausgabe-Token 17,484 Denk-Token 617,804 Antwortzeit (Durchschnitt) 114.73s Antwortzeit (Gesamt) 2638.74s Antwortzeit (Maximum) 1026.43s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 6.2 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#187#187	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 5 Eingabe-Token 245,179 Ausgabe-Token 62,697 Denk-Token 196,621 Antwortzeit (Durchschnitt) 81.18s Antwortzeit (Gesamt) 1785.87s Antwortzeit (Maximum) 365.80s Falsche Antwort: 8 Zeitüberschreitung: 2 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 7.3 Programmierung : 7.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 5.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#190#190	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 5 Eingabe-Token 251,695 Ausgabe-Token 49,415 Denk-Token 472,775 Antwortzeit (Durchschnitt) 66.96s Antwortzeit (Gesamt) 1539.99s Antwortzeit (Maximum) 519.30s Falsche Antwort: 5 Ungültiger Werkzeugaufruf: 2 Zeitüberschreitung: 2 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 6.0 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#74#74	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 5 Eingabe-Token 345,687 Ausgabe-Token 13,550 Denk-Token 34,743 Antwortzeit (Durchschnitt) 10.79s Antwortzeit (Gesamt) 248.22s Antwortzeit (Maximum) 51.53s Falsche Antwort: 5 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.2 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 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
#71#71	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$1.204 ↑	61.58s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.4 Erfolgsquote pro Versuch 69.6% Instabile Tests 2 Eingabe-Token 414,054 Ausgabe-Token 7,635 Denk-Token 900,536 Antwortzeit (Durchschnitt) 61.58s Antwortzeit (Gesamt) 1416.24s Antwortzeit (Maximum) 335.08s Falsche Antwort: 6 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 : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#219#219	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.5% Instabile Tests 2 Eingabe-Token 205,108 Ausgabe-Token 6,197 Denk-Token 0 Antwortzeit (Durchschnitt) 4.75s Antwortzeit (Gesamt) 109.31s Antwortzeit (Maximum) 57.53s Falsche Antwort: 11 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 : 6.2 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#87#87	Inklinghigh	8.4	Thinkingmachines	$1.238 ↓	62.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 3 Eingabe-Token 240,395 Ausgabe-Token 7,169 Denk-Token 242,073 Antwortzeit (Durchschnitt) 62.72s Antwortzeit (Gesamt) 1442.48s Antwortzeit (Maximum) 327.51s Falsche Antwort: 4 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.5 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.0% Instabile Tests 2 Eingabe-Token 191,653 Ausgabe-Token 5,473 Denk-Token 17,084 Antwortzeit (Durchschnitt) 11.13s Antwortzeit (Gesamt) 256.08s Antwortzeit (Maximum) 57.11s Falsche Antwort: 4 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#266#266	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 5 Eingabe-Token 392,127 Ausgabe-Token 7,754 Denk-Token 294,333 Antwortzeit (Durchschnitt) 36.73s Antwortzeit (Gesamt) 844.68s Antwortzeit (Maximum) 199.66s Falsche Antwort: 7 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.2 Programmierung : 6.3 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#62#62	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 78.3% Instabile Tests 5 Eingabe-Token 256,646 Ausgabe-Token 10,490 Denk-Token 210,325 Antwortzeit (Durchschnitt) 77.44s Antwortzeit (Gesamt) 1781.16s Antwortzeit (Maximum) 643.19s Falsche Antwort: 3 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.9 Programmierung : 8.2 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 8.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#154#154	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 8.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 7 Eingabe-Token 244,499 Ausgabe-Token 8,744 Denk-Token 375,349 Antwortzeit (Durchschnitt) 100.65s Antwortzeit (Gesamt) 2314.88s Antwortzeit (Maximum) 626.58s Falsche Antwort: 6 API-Fehler: 4 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.9 Programmierung : 8.9 Kombiniert : 4.7 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#121#121	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 2 Eingabe-Token 296,760 Ausgabe-Token 4,371 Denk-Token 92,284 Antwortzeit (Durchschnitt) 11.78s Antwortzeit (Gesamt) 271.03s Antwortzeit (Maximum) 84.47s Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 10.0 Programmierung : 7.9 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#38#38	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
#132#132	Grok 4.5low	7.8	X AI	$1.345	18.14s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 73.9% Instabile Tests 2 Eingabe-Token 308,068 Ausgabe-Token 9,218 Denk-Token 112,197 Antwortzeit (Durchschnitt) 18.14s Antwortzeit (Gesamt) 417.21s Antwortzeit (Maximum) 205.28s Falsche Antwort: 7 Agentenaufgaben : 5.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#6#6	GPT-6.1 Solxhigh	9.9	OpenAI	$1.377	33.11s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 97.1% Instabile Tests 1 Eingabe-Token 175,712 Ausgabe-Token 5,640 Denk-Token 96,842 Antwortzeit (Durchschnitt) 33.11s Antwortzeit (Gesamt) 761.52s Antwortzeit (Maximum) 491.85s 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
#149#149	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 6 Eingabe-Token 230,895 Ausgabe-Token 161,281 Denk-Token 510,655 Antwortzeit (Durchschnitt) 263.69s Antwortzeit (Gesamt) 6064.89s Antwortzeit (Maximum) 1727.29s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 3.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 8.4 Rätsellösen : 5.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#209#209	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 1 Eingabe-Token 358,616 Ausgabe-Token 9,651 Denk-Token 520,155 Antwortzeit (Durchschnitt) 55.13s Antwortzeit (Gesamt) 1268.10s Antwortzeit (Maximum) 252.69s Falsche Antwort: 6 Zusätzliche Formatierung: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.4 Anti-KI-Tricks : 8.3 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#79#79	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 76.8% Instabile Tests 3 Eingabe-Token 353,658 Ausgabe-Token 54,891 Denk-Token 18,370 Antwortzeit (Durchschnitt) 15.01s Antwortzeit (Gesamt) 345.16s Antwortzeit (Maximum) 69.26s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 9.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#150#150	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 5 Eingabe-Token 297,321 Ausgabe-Token 8,997 Denk-Token 423,853 Antwortzeit (Durchschnitt) 124.87s Antwortzeit (Gesamt) 2871.96s Antwortzeit (Maximum) 675.30s Falsche Antwort: 6 API-Fehler: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 6.2 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.8 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#224#224	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 4 Eingabe-Token 421,200 Ausgabe-Token 1,100,052 Denk-Token 0 Antwortzeit (Durchschnitt) 72.72s Antwortzeit (Gesamt) 1672.53s Antwortzeit (Maximum) 364.99s Falsche Antwort: 8 Keine Antwort: 2 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.4 Anti-KI-Tricks : 10.0 Programmierung : 4.0 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#188#188	Ember-1low	7.0	Fireworks	$1.488	34.90s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 8.8 Erfolgsquote pro Versuch 65.2% Instabile Tests 5 Eingabe-Token 211,908 Ausgabe-Token 14,158 Denk-Token 42,608 Antwortzeit (Durchschnitt) 34.90s Antwortzeit (Gesamt) 802.79s Antwortzeit (Maximum) 121.29s API-Fehler: 6 Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 8.2 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.2 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#73#73	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 4 Eingabe-Token 342,579 Ausgabe-Token 12,848 Denk-Token 70,193 Antwortzeit (Durchschnitt) 14.98s Antwortzeit (Gesamt) 344.60s Antwortzeit (Maximum) 54.92s Falsche Antwort: 3 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.2 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#42#42	Paretodefault	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
#147#147	GLM 5.1medium	7.5	Z.ai	$1.546 ↑	66.38s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 9.2 Erfolgsquote pro Versuch 66.7% Instabile Tests 4 Eingabe-Token 331,577 Ausgabe-Token 17,919 Denk-Token 230,789 Antwortzeit (Durchschnitt) 66.38s Antwortzeit (Gesamt) 1460.31s Antwortzeit (Maximum) 308.75s Falsche Antwort: 5 Zeitüberschreitung: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 4.6 Kombiniert : 9.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 8.2 Werkzeugaufrufe : 3.0 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