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)
#307#307	Ling 2.6 1tnone	4.9	Inclusionai	$0.016 ↑	8.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 17.4% Instabile Tests 0 Eingabe-Token 106,423 Ausgabe-Token 11,555 Denk-Token 0 Antwortzeit (Durchschnitt) 8.16s Antwortzeit (Gesamt) 163.24s Antwortzeit (Maximum) 25.72s Falsche Antwort: 12 API-Fehler: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 3.4 Programmierung : 3.8 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 3.1 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#306#306	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 7 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 60.9% Instabile Tests 0 Eingabe-Token 28,848 Ausgabe-Token 1,490 Denk-Token 10,102 Antwortzeit (Durchschnitt) 9.05s Antwortzeit (Gesamt) 90.53s Antwortzeit (Maximum) 26.24s API-Fehler: 4 Falsche Antwort: 3 Agentenaufgaben : 0.0 Anti-KI-Tricks : 10.0 Programmierung : 3.0 Kombiniert : 1.5 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
#305#305	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 27.5% Instabile Tests 6 Eingabe-Token 344,806 Ausgabe-Token 177,330 Denk-Token 453,213 Antwortzeit (Durchschnitt) 113.63s Antwortzeit (Gesamt) 2613.48s Antwortzeit (Maximum) 1190.11s Falsche Antwort: 12 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 3.4 Programmierung : 5.3 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 4.6 Rätsellösen : 2.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#304#304	Qwen3 Coder Nextnone	4.9	Qwen	$0.067 ↑	19.73s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 24.6% Instabile Tests 1 Eingabe-Token 250,329 Ausgabe-Token 45,168 Denk-Token 0 Antwortzeit (Durchschnitt) 19.73s Antwortzeit (Gesamt) 355.09s Antwortzeit (Maximum) 208.38s Falsche Antwort: 15 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 3.6 Programmierung : 4.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#303#303	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 23.2% Instabile Tests 1 Eingabe-Token 94,733 Ausgabe-Token 8,770 Denk-Token 0 Antwortzeit (Durchschnitt) 1.45s Antwortzeit (Gesamt) 33.24s Antwortzeit (Maximum) 12.35s Falsche Antwort: 15 API-Fehler: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 3.1 Programmierung : 3.6 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.2 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#302#302	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 4 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 63.8% Instabile Tests 1 Eingabe-Token 35,955 Ausgabe-Token 1,647 Denk-Token 91,565 Antwortzeit (Durchschnitt) 9.75s Antwortzeit (Gesamt) 175.48s Antwortzeit (Maximum) 31.36s Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 8.7 Programmierung : 3.3 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 0.0
#301#301	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 16 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 42.0% Instabile Tests 6 Eingabe-Token 61,094 Ausgabe-Token 6,532 Denk-Token 53,882 Antwortzeit (Durchschnitt) 10.21s Antwortzeit (Gesamt) 234.86s Antwortzeit (Maximum) 86.23s Falsche Antwort: 7 Zusätzliche Formatierung: 4 API-Fehler: 3 Anweisungen nicht befolgt: 2 Agentenaufgaben : 3.0 Anti-KI-Tricks : 7.3 Programmierung : 3.5 Kombiniert : 6.4 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#300#300	GPT-4o-mininone	5.0	OpenAI	$0.024	4.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 21.7% Instabile Tests 0 Eingabe-Token 145,180 Ausgabe-Token 3,627 Denk-Token 0 Antwortzeit (Durchschnitt) 4.16s Antwortzeit (Gesamt) 70.70s Antwortzeit (Maximum) 39.99s Falsche Antwort: 16 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 4.8 Programmierung : 3.2 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#299#299	Dots 3 Note Previewnone	5.0	Dots Studio	$0.000	5.36s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 20 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 15.9% Instabile Tests 1 Eingabe-Token 225,907 Ausgabe-Token 22,507 Denk-Token 0 Antwortzeit (Durchschnitt) 5.36s Antwortzeit (Gesamt) 123.38s Antwortzeit (Maximum) 45.71s Falsche Antwort: 16 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 3.1 Programmierung : 4.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 4.8 Rätsellösen : 3.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#298#298	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 44.9% Instabile Tests 10 Eingabe-Token 277,130 Ausgabe-Token 45,188 Denk-Token 129,163 Antwortzeit (Durchschnitt) 50.32s Antwortzeit (Gesamt) 1107.03s Antwortzeit (Maximum) 198.82s Falsche Antwort: 6 Anweisungen nicht befolgt: 5 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 2 Zeitüberschreitung: 2 API-Fehler: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 7.9 Programmierung : 5.7 Kombiniert : 3.8 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 3.8 Rätsellösen : 5.9 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#297#297	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 17 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 44.9% Instabile Tests 8 Eingabe-Token 235,438 Ausgabe-Token 8,136 Denk-Token 28,734 Antwortzeit (Durchschnitt) 4.92s Antwortzeit (Gesamt) 113.24s Antwortzeit (Maximum) 84.47s Falsche Antwort: 13 Anweisungen nicht befolgt: 2 API-Fehler: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 5.6 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 8.2 Werkzeugaufrufe : 2.8 Allgemeinwissen : 3.0
#296#296	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 24.6% Instabile Tests 4 Eingabe-Token 230,291 Ausgabe-Token 99,030 Denk-Token 287,794 Antwortzeit (Durchschnitt) 63.06s Antwortzeit (Gesamt) 1450.31s Antwortzeit (Maximum) 560.31s Falsche Antwort: 14 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 3.4 Anti-KI-Tricks : 3.4 Programmierung : 5.3 Kombiniert : 3.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 4.2 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#295#295	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 31.9% Instabile Tests 4 Eingabe-Token 273,075 Ausgabe-Token 17,069 Denk-Token 0 Antwortzeit (Durchschnitt) 6.21s Antwortzeit (Gesamt) 142.89s Antwortzeit (Maximum) 53.13s Falsche Antwort: 12 Anweisungen nicht befolgt: 4 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 3.3 Programmierung : 4.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 6.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#294#294	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 43.5% Instabile Tests 3 Eingabe-Token 51,369 Ausgabe-Token 8,008 Denk-Token 58,568 Antwortzeit (Durchschnitt) 8.32s Antwortzeit (Gesamt) 191.40s Antwortzeit (Maximum) 48.19s Falsche Antwort: 10 API-Fehler: 2 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 3.6 Kombiniert : 6.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#293#293	Mercury 2.5low	5.1	Inception	$0.020	3.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 17 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 37.7% Instabile Tests 5 Eingabe-Token 326,083 Ausgabe-Token 7,224 Denk-Token 33,078 Antwortzeit (Durchschnitt) 3.34s Antwortzeit (Gesamt) 76.80s Antwortzeit (Maximum) 47.06s Falsche Antwort: 14 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 6.9 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 2.9 Rätsellösen : 5.9 Werkzeugaufrufe : 9.8 Allgemeinwissen : 3.0
#292#292	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 24.6% Instabile Tests 1 Eingabe-Token 265,602 Ausgabe-Token 10,913 Denk-Token 0 Antwortzeit (Durchschnitt) 3.12s Antwortzeit (Gesamt) 71.87s Antwortzeit (Maximum) 45.46s Falsche Antwort: 17 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 3.4 Programmierung : 3.7 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#291#291	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 42.0% Instabile Tests 8 Eingabe-Token 321,955 Ausgabe-Token 41,555 Denk-Token 94,946 Antwortzeit (Durchschnitt) 12.68s Antwortzeit (Gesamt) 291.66s Antwortzeit (Maximum) 59.15s Falsche Antwort: 14 Anweisungen nicht befolgt: 2 API-Fehler: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 5.6 Programmierung : 4.4 Kombiniert : 3.0 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 7.3 Rätsellösen : 3.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#290#290	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.4% Instabile Tests 3 Eingabe-Token 40,111 Ausgabe-Token 12,476 Denk-Token 125,039 Antwortzeit (Durchschnitt) 20.11s Antwortzeit (Gesamt) 301.59s Antwortzeit (Maximum) 96.01s Falsche Antwort: 5 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 8.1 Programmierung : 6.0 Kombiniert : 4.9 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#288#288	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 16 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 40.6% Instabile Tests 5 Eingabe-Token 50,423 Ausgabe-Token 4,144 Denk-Token 110,510 Antwortzeit (Durchschnitt) 15.23s Antwortzeit (Gesamt) 350.26s Antwortzeit (Maximum) 118.35s Falsche Antwort: 9 API-Fehler: 4 Zusätzliche Formatierung: 3 Agentenaufgaben : 3.0 Anti-KI-Tricks : 6.9 Programmierung : 4.3 Kombiniert : 6.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 3.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#289#289	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 9 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 66.7% Instabile Tests 5 Eingabe-Token 40,961 Ausgabe-Token 2,518 Denk-Token 81,801 Antwortzeit (Durchschnitt) 22.16s Antwortzeit (Gesamt) 443.22s Antwortzeit (Maximum) 136.29s Falsche Antwort: 5 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 10.0 Programmierung : 6.0 Kombiniert : 2.3 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 6.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#287#287	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.117 ↕	77.08s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 47.8% Instabile Tests 12 Eingabe-Token 170,517 Ausgabe-Token 149,968 Denk-Token 509,725 Antwortzeit (Durchschnitt) 77.08s Antwortzeit (Gesamt) 1772.78s Antwortzeit (Maximum) 490.99s Falsche Antwort: 11 Anweisungen nicht befolgt: 4 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 3.5 Anti-KI-Tricks : 5.5 Programmierung : 4.4 Kombiniert : 6.4 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.7 Befolgung von Anweisungen : 8.5 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#286#286	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.1% Instabile Tests 0 Eingabe-Token 123,993 Ausgabe-Token 12,777 Denk-Token 0 Antwortzeit (Durchschnitt) 3.40s Antwortzeit (Gesamt) 74.77s Antwortzeit (Maximum) 17.51s Falsche Antwort: 13 API-Fehler: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 4.8 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 4.8 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#285#285	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 47.8% Instabile Tests 4 Eingabe-Token 81,447 Ausgabe-Token 2,715 Denk-Token 11,971 Antwortzeit (Durchschnitt) 1.99s Antwortzeit (Gesamt) 45.67s Antwortzeit (Maximum) 5.82s Falsche Antwort: 9 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 API-Fehler: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 9.2 Programmierung : 4.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.3 Befolgung von Anweisungen : 9.9 Rätsellösen : 5.3 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#284#284	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 29.0% Instabile Tests 6 Eingabe-Token 272,479 Ausgabe-Token 63,781 Denk-Token 0 Antwortzeit (Durchschnitt) 8.43s Antwortzeit (Gesamt) 176.93s Antwortzeit (Maximum) 65.61s Falsche Antwort: 13 API-Fehler: 2 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 5.2 Anti-KI-Tricks : 3.6 Programmierung : 5.5 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.2 Rätsellösen : 3.2 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#283#283	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 29.0% Instabile Tests 3 Eingabe-Token 270,072 Ausgabe-Token 23,173 Denk-Token 0 Antwortzeit (Durchschnitt) 4.56s Antwortzeit (Gesamt) 104.80s Antwortzeit (Maximum) 70.79s Falsche Antwort: 14 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 5.3 Programmierung : 4.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 3.8 Rätsellösen : 3.0 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