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)
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 47.8% Instabile Tests 12 Eingabe-Token 195,780 Ausgabe-Token 167,746 Denk-Token 598,384 Antwortzeit (Durchschnitt) 81.93s Antwortzeit (Gesamt) 1884.31s Antwortzeit (Maximum) 437.11s Falsche Antwort: 13 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 6.9 Programmierung : 4.4 Kombiniert : 6.2 Datenanalyse und -extraktion : 3.7 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 8.5 Rätsellösen : 4.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 9.5 Erfolgsquote pro Versuch 40.6% Instabile Tests 9 Eingabe-Token 207,883 Ausgabe-Token 144,718 Denk-Token 525,897 Antwortzeit (Durchschnitt) 83.19s Antwortzeit (Gesamt) 1913.41s Antwortzeit (Maximum) 597.61s Falsche Antwort: 14 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 3.5 Anti-KI-Tricks : 6.9 Programmierung : 4.0 Kombiniert : 6.3 Datenanalyse und -extraktion : 2.9 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 3.7 Befolgung von Anweisungen : 8.4 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 6 Eingabe-Token 349,177 Ausgabe-Token 54,279 Denk-Token 477,389 Antwortzeit (Durchschnitt) 83.68s Antwortzeit (Gesamt) 1840.92s Antwortzeit (Maximum) 515.38s Falsche Antwort: 5 Zeitüberschreitung: 3 API-Fehler: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 3.7 Kombiniert : 6.4 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 49.3% Instabile Tests 7 Eingabe-Token 319,352 Ausgabe-Token 158,447 Denk-Token 875,524 Antwortzeit (Durchschnitt) 84.01s Antwortzeit (Gesamt) 1932.24s Antwortzeit (Maximum) 525.14s Falsche Antwort: 9 Anweisungen nicht befolgt: 4 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 6.1 Anti-KI-Tricks : 6.8 Programmierung : 7.5 Kombiniert : 2.9 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 4.4 Rätsellösen : 5.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 2 Eingabe-Token 484,627 Ausgabe-Token 11,026 Denk-Token 747,681 Antwortzeit (Durchschnitt) 84.26s Antwortzeit (Gesamt) 1937.91s Antwortzeit (Maximum) 488.39s Keine Antwort: 3 Anweisungen nicht befolgt: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 8.5 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 20 Zuverlässigkeit 9.1 Erfolgsquote pro Versuch 15.9% Instabile Tests 2 Eingabe-Token 226,872 Ausgabe-Token 133,268 Denk-Token 0 Antwortzeit (Durchschnitt) 84.66s Antwortzeit (Gesamt) 1947.17s Antwortzeit (Maximum) 747.17s Falsche Antwort: 11 Zusätzliche Formatierung: 4 Zeitüberschreitung: 3 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 4.9 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.9 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 72.5% Instabile Tests 5 Eingabe-Token 269,143 Ausgabe-Token 6,833 Denk-Token 785,200 Antwortzeit (Durchschnitt) 84.94s Antwortzeit (Gesamt) 1953.70s Antwortzeit (Maximum) 527.47s Falsche Antwort: 4 Keine Antwort: 3 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 66.7% Instabile Tests 6 Eingabe-Token 271,890 Ausgabe-Token 190,841 Denk-Token 513,329 Antwortzeit (Durchschnitt) 85.22s Antwortzeit (Gesamt) 1960.12s Antwortzeit (Maximum) 432.81s Keine Antwort: 4 Anweisungen nicht befolgt: 3 Falsche Antwort: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 5.6 Kombiniert : 6.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.9 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 69.6% Instabile Tests 2 Eingabe-Token 324,691 Ausgabe-Token 181,251 Denk-Token 506,441 Antwortzeit (Durchschnitt) 87.39s Antwortzeit (Gesamt) 2010.08s Antwortzeit (Maximum) 665.85s Keine Antwort: 4 Falsche Antwort: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.2 Kombiniert : 6.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 2.8 Allgemeinwissen : 3.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 0 Eingabe-Token 376,233 Ausgabe-Token 6,687 Denk-Token 305,927 Antwortzeit (Durchschnitt) 87.48s Antwortzeit (Gesamt) 2012.15s Antwortzeit (Maximum) 618.49s Falsche Antwort: 3 Keine Antwort: 1 Agentenaufgaben : 5.0 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 : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 6 Eingabe-Token 231,356 Ausgabe-Token 43,054 Denk-Token 370,981 Antwortzeit (Durchschnitt) 88.15s Antwortzeit (Gesamt) 2027.36s Antwortzeit (Maximum) 438.65s Falsche Antwort: 8 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 8.2 Programmierung : 7.3 Kombiniert : 9.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 20 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 23.2% Instabile Tests 6 Eingabe-Token 232,641 Ausgabe-Token 69,335 Denk-Token 426,182 Antwortzeit (Durchschnitt) 88.24s Antwortzeit (Gesamt) 2029.57s Antwortzeit (Maximum) 814.73s Falsche Antwort: 16 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 3.4 Programmierung : 3.8 Kombiniert : 3.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 4.3 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 71.0% Instabile Tests 3 Eingabe-Token 369,495 Ausgabe-Token 172,852 Denk-Token 476,002 Antwortzeit (Durchschnitt) 88.74s Antwortzeit (Gesamt) 2041.10s Antwortzeit (Maximum) 567.88s Keine Antwort: 4 Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 2.8 Allgemeinwissen : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 23 Zuverlässigkeit 3.5 Erfolgsquote pro Versuch 0.0% Instabile Tests 0 Eingabe-Token 117,966 Ausgabe-Token 5,149 Denk-Token 23,514 Antwortzeit (Durchschnitt) 89.96s Antwortzeit (Gesamt) 2069.01s Antwortzeit (Maximum) 156.00s API-Fehler: 22 Falsche Antwort: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 3.0 Programmierung : 3.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 6 Eingabe-Token 287,061 Ausgabe-Token 32,056 Denk-Token 196,607 Antwortzeit (Durchschnitt) 91.29s Antwortzeit (Gesamt) 2099.56s Antwortzeit (Maximum) 416.76s Falsche Antwort: 9 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 5.7 Programmierung : 6.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 7.8 Rätsellösen : 6.9 Werkzeugaufrufe : 9.8 Allgemeinwissen : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.4 Erfolgsquote pro Versuch 59.4% Instabile Tests 3 Eingabe-Token 313,368 Ausgabe-Token 12,289 Denk-Token 259,270 Antwortzeit (Durchschnitt) 91.67s Antwortzeit (Gesamt) 1833.43s Antwortzeit (Maximum) 301.78s Falsche Antwort: 5 Zeitüberschreitung: 4 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.6 Programmierung : 5.5 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 23 Zuverlässigkeit 3.5 Erfolgsquote pro Versuch 0.0% Instabile Tests 0 Eingabe-Token 118,771 Ausgabe-Token 4,127 Denk-Token 14,668 Antwortzeit (Durchschnitt) 91.72s Antwortzeit (Gesamt) 2109.54s Antwortzeit (Maximum) 112.76s API-Fehler: 22 Falsche Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 3.0 Programmierung : 3.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 81.2% Instabile Tests 5 Eingabe-Token 271,242 Ausgabe-Token 11,803 Denk-Token 397,838 Antwortzeit (Durchschnitt) 92.38s Antwortzeit (Gesamt) 2124.67s Antwortzeit (Maximum) 482.30s API-Fehler: 2 Falsche Antwort: 2 Zusätzliche Formatierung: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 23 Zuverlässigkeit 3.5 Erfolgsquote pro Versuch 1.5% Instabile Tests 1 Eingabe-Token 114,874 Ausgabe-Token 1,992 Denk-Token 23,529 Antwortzeit (Durchschnitt) 92.50s Antwortzeit (Gesamt) 2127.40s Antwortzeit (Maximum) 128.54s API-Fehler: 22 Falsche Antwort: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 3.0 Programmierung : 3.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.5% Instabile Tests 8 Eingabe-Token 274,189 Ausgabe-Token 66,689 Denk-Token 510,525 Antwortzeit (Durchschnitt) 94.16s Antwortzeit (Gesamt) 2165.72s Antwortzeit (Maximum) 303.26s Falsche Antwort: 5 Keine Antwort: 3 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.2 Programmierung : 6.4 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 8.5 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 47.8% Instabile Tests 6 Eingabe-Token 347,980 Ausgabe-Token 121,898 Denk-Token 720,302 Antwortzeit (Durchschnitt) 95.16s Antwortzeit (Gesamt) 2188.74s Antwortzeit (Maximum) 540.96s Falsche Antwort: 7 Anweisungen nicht befolgt: 3 API-Fehler: 2 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 8.3 Programmierung : 5.3 Kombiniert : 5.2 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 4.4 Rätsellösen : 6.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 8.3 Erfolgsquote pro Versuch 59.4% Instabile Tests 6 Eingabe-Token 153,399 Ausgabe-Token 7,803 Denk-Token 179,098 Antwortzeit (Durchschnitt) 97.34s Antwortzeit (Gesamt) 2238.73s Antwortzeit (Maximum) 587.08s API-Fehler: 8 Falsche Antwort: 3 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 5.2 Kombiniert : 6.5 Datenanalyse und -extraktion : 6.4 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.2 Rätsellösen : 7.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#166#166	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
#84#84	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
#151#151	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

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