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)
#105#105	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 2 Eingabe-Token 437,293 Ausgabe-Token 29,102 Denk-Token 28,876 Antwortzeit (Durchschnitt) 14.12s Antwortzeit (Gesamt) 310.55s Antwortzeit (Maximum) 150.60s Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 5.2 Anti-KI-Tricks : 8.3 Programmierung : 7.6 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 : 3.0
#169#169	Claude Opus 4.8low	7.2	Anthropic	$3.787	17.13s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 4 Eingabe-Token 409,947 Ausgabe-Token 46,060 Denk-Token 23,429 Antwortzeit (Durchschnitt) 17.13s Antwortzeit (Gesamt) 394.01s Antwortzeit (Maximum) 127.97s Falsche Antwort: 5 Zusätzliche Formatierung: 1 Keine Antwort: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 9.9 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#139#139	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.1 Erfolgsquote pro Versuch 65.2% Instabile Tests 2 Eingabe-Token 93,060 Ausgabe-Token 10,305 Denk-Token 171,683 Antwortzeit (Durchschnitt) 34.40s Antwortzeit (Gesamt) 791.16s Antwortzeit (Maximum) 236.64s API-Fehler: 6 Falsche Antwort: 3 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 73.9% Instabile Tests 2 Eingabe-Token 313,881 Ausgabe-Token 123,706 Denk-Token 388,328 Antwortzeit (Durchschnitt) 120.40s Antwortzeit (Gesamt) 2769.16s Antwortzeit (Maximum) 534.21s Falsche Antwort: 5 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.2 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 58.0% Instabile Tests 7 Eingabe-Token 261,256 Ausgabe-Token 1,425,268 Denk-Token 0 Antwortzeit (Durchschnitt) 138.27s Antwortzeit (Gesamt) 3180.10s Antwortzeit (Maximum) 436.56s Keine Antwort: 7 API-Fehler: 2 Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.4 Anti-KI-Tricks : 6.9 Programmierung : 2.7 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 3.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 53.6% Instabile Tests 5 Eingabe-Token 261,842 Ausgabe-Token 1,434,621 Denk-Token 0 Antwortzeit (Durchschnitt) 136.10s Antwortzeit (Gesamt) 3130.27s Antwortzeit (Maximum) 438.09s Keine Antwort: 6 Falsche Antwort: 3 Anweisungen nicht befolgt: 2 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 6.4 Programmierung : 2.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 97.1% Instabile Tests 1 Eingabe-Token 167,805 Ausgabe-Token 5,651 Denk-Token 49,944 Antwortzeit (Durchschnitt) 20.16s Antwortzeit (Gesamt) 463.68s Antwortzeit (Maximum) 254.93s 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
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 9.5 Erfolgsquote pro Versuch 52.2% Instabile Tests 4 Eingabe-Token 243,381 Ausgabe-Token 1,581,325 Denk-Token 0 Antwortzeit (Durchschnitt) 154.41s Antwortzeit (Gesamt) 3551.40s Antwortzeit (Maximum) 455.72s Keine Antwort: 7 Falsche Antwort: 3 API-Fehler: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.5 Programmierung : 2.9 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 7.3 Rätsellösen : 5.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 0 Eingabe-Token 376,421 Ausgabe-Token 67,688 Denk-Token 37,974 Antwortzeit (Durchschnitt) 25.31s Antwortzeit (Gesamt) 582.11s Antwortzeit (Maximum) 159.01s Falsche Antwort: 2 Zusätzliche Formatierung: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 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
#89#89	GLM 5.2high	8.4	Z.ai	$4.632 ↑	69.11s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 3 Eingabe-Token 288,913 Ausgabe-Token 79,462 Denk-Token 303,120 Antwortzeit (Durchschnitt) 69.11s Antwortzeit (Gesamt) 1589.43s Antwortzeit (Maximum) 599.43s Falsche Antwort: 5 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 6.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.1 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 6.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#122#122	Muse Wondermax	7.9	Meta	$4.766	44.39s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.0 Erfolgsquote pro Versuch 75.4% Instabile Tests 3 Eingabe-Token 93,126 Ausgabe-Token 10,497 Denk-Token 209,138 Antwortzeit (Durchschnitt) 44.39s Antwortzeit (Gesamt) 1021.02s Antwortzeit (Maximum) 287.79s API-Fehler: 4 Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 3.0 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 : 7.5 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 88.4% Instabile Tests 3 Eingabe-Token 180,959 Ausgabe-Token 6,472 Denk-Token 123,635 Antwortzeit (Durchschnitt) 39.86s Antwortzeit (Gesamt) 916.82s Antwortzeit (Maximum) 332.10s Falsche Antwort: 4 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.8 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 : 2.8
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 95.7% Instabile Tests 0 Eingabe-Token 181,223 Ausgabe-Token 5,707 Denk-Token 58,909 Antwortzeit (Durchschnitt) 61.63s Antwortzeit (Gesamt) 1417.51s Antwortzeit (Maximum) 960.01s Zeitüberschreitung: 1 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 : 10.0
#57#57	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
#391#391	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 10 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 46.4% Instabile Tests 5 Eingabe-Token 721,952 Ausgabe-Token 294,668 Denk-Token 305,374 Antwortzeit (Durchschnitt) 9.69s Antwortzeit (Gesamt) 155.07s Antwortzeit (Maximum) 35.28s Falsche Antwort: 4 API-Fehler: 2 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Agentenaufgaben : 0.0 Anti-KI-Tricks : 6.9 Programmierung : 3.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 0.0
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 97.1% Instabile Tests 1 Eingabe-Token 170,731 Ausgabe-Token 5,865 Denk-Token 84,230 Antwortzeit (Durchschnitt) 29.67s Antwortzeit (Gesamt) 682.42s Antwortzeit (Maximum) 381.11s 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
#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

←

1 17 18

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