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: 2026-07-20 Bewertete Modelle: 210

210/210

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#72#72	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.046 ↓	64.16s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.2% Instabile Tests 4 Eingabe-Token 124,771 Ausgabe-Token 44,077 Denk-Token 443,141 Antwortzeit (Durchschnitt) 64.16s Antwortzeit (Gesamt) 1411.60s Antwortzeit (Maximum) 519.30s Falsche Antwort: 5 Zeitüberschreitung: 2 Ungültiger Werkzeugaufruf: 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
#34#34	GPT-5.6 Terrahigh	8.0	OpenAI	$1.055	11.32s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.2% Instabile Tests 2 Eingabe-Token 81,047 Ausgabe-Token 5,055 Denk-Token 51,736 Antwortzeit (Durchschnitt) 11.32s Antwortzeit (Gesamt) 249.14s Antwortzeit (Maximum) 91.49s Falsche Antwort: 7 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 8.3 Programmierung : 7.6 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#79#79	Gemini 3.5 Flashnone	7.0	Google	$1.079	9.93s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 74.2% Instabile Tests 3 Eingabe-Token 13,843 Ausgabe-Token 117,518 Denk-Token 0 Antwortzeit (Durchschnitt) 9.93s Antwortzeit (Gesamt) 178.68s Antwortzeit (Maximum) 64.36s API-Fehler: 4 Falsche Antwort: 3 Anti-KI-Tricks : 10.0 Programmierung : 8.8 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 7.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 2.8
#48#48	Grok Build 0.1medium	7.6	X AI	$1.097	52.06s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.6% Instabile Tests 0 Eingabe-Token 106,751 Ausgabe-Token 7,993 Denk-Token 486,670 Antwortzeit (Durchschnitt) 52.06s Antwortzeit (Gesamt) 1145.27s Antwortzeit (Maximum) 252.69s Falsche Antwort: 5 Zusätzliche Formatierung: 3 Anti-KI-Tricks : 8.3 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#8#8	Qwen3.7 Maxmedium	9.2	Qwen	$1.116 ↓	40.57s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.9% Instabile Tests 2 Eingabe-Token 106,020 Ausgabe-Token 5,748 Denk-Token 211,004 Antwortzeit (Durchschnitt) 40.57s Antwortzeit (Gesamt) 892.57s Antwortzeit (Maximum) 556.06s Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#19#19	Qwen3.6 Max Previewmedium	8.4	Qwen	$1.143 ↓	67.53s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 80.3% Instabile Tests 3 Eingabe-Token 79,240 Ausgabe-Token 5,098 Denk-Token 164,842 Antwortzeit (Durchschnitt) 67.53s Antwortzeit (Gesamt) 1485.64s Antwortzeit (Maximum) 238.07s Falsche Antwort: 5 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 8.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#66#66	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.91s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.6% Instabile Tests 2 Eingabe-Token 149,206 Ausgabe-Token 16,797 Denk-Token 0 Antwortzeit (Durchschnitt) 4.91s Antwortzeit (Gesamt) 108.03s Antwortzeit (Maximum) 35.03s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.5 Programmierung : 5.5 Kombiniert : 9.8 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#86#86	Step 3.7 Flashhigh	6.9	Stepfun	$1.207	64.68s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.6% Instabile Tests 5 Eingabe-Token 98,691 Ausgabe-Token 1,032,395 Denk-Token 0 Antwortzeit (Durchschnitt) 64.68s Antwortzeit (Gesamt) 1423.01s Antwortzeit (Maximum) 364.99s Falsche Antwort: 6 Keine Antwort: 4 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 10.0 Programmierung : 4.0 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#5#5	GPT-5.6 Solhigh	9.4	OpenAI	$1.234	11.73s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 89.4% Instabile Tests 3 Eingabe-Token 79,249 Ausgabe-Token 4,855 Denk-Token 23,044 Antwortzeit (Durchschnitt) 11.73s Antwortzeit (Gesamt) 257.99s Antwortzeit (Maximum) 54.79s Falsche Antwort: 4 Anti-KI-Tricks : 8.7 Programmierung : 10.0 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 : 4.7
#6#6	GPT-5.5low	9.3	OpenAI	$1.253	10.13s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 86.4% Instabile Tests 0 Eingabe-Token 80,058 Ausgabe-Token 5,378 Denk-Token 23,040 Antwortzeit (Durchschnitt) 10.13s Antwortzeit (Gesamt) 222.82s Antwortzeit (Maximum) 56.19s Falsche Antwort: 3 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 : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#4#4	GPT-5.6 Solmedium	9.4	OpenAI	$1.316	11.35s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 90.9% Instabile Tests 3 Eingabe-Token 78,997 Ausgabe-Token 4,696 Denk-Token 26,002 Antwortzeit (Durchschnitt) 11.35s Antwortzeit (Gesamt) 249.73s Antwortzeit (Maximum) 79.40s Falsche Antwort: 4 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 4.7
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.7% Instabile Tests 2 Eingabe-Token 142,567 Ausgabe-Token 7,905 Denk-Token 269,225 Antwortzeit (Durchschnitt) 24.97s Antwortzeit (Gesamt) 549.31s Antwortzeit (Maximum) 165.38s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 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
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 90.9% Instabile Tests 0 Eingabe-Token 92,287 Ausgabe-Token 5,232 Denk-Token 92,726 Antwortzeit (Durchschnitt) 21.47s Antwortzeit (Gesamt) 322.08s Antwortzeit (Maximum) 88.68s Falsche Antwort: 2 Anti-KI-Tricks : 10.0 Programmierung : 7.9 Kombiniert : 9.8 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
#15#15	Claude Opus 4.7medium	8.7	Anthropic	$1.477	7.61s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 83.3% Instabile Tests 1 Eingabe-Token 145,252 Ausgabe-Token 24,948 Denk-Token 5,042 Antwortzeit (Durchschnitt) 7.61s Antwortzeit (Gesamt) 159.91s Antwortzeit (Maximum) 65.40s Falsche Antwort: 3 Zeitüberschreitung: 1 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
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 77.3% Instabile Tests 4 Eingabe-Token 81,127 Ausgabe-Token 6,155 Denk-Token 82,515 Antwortzeit (Durchschnitt) 23.10s Antwortzeit (Gesamt) 508.26s Antwortzeit (Maximum) 100.41s Falsche Antwort: 5 Anweisungen nicht befolgt: 2 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
#58#58	Qwen3.5-27Bmedium	7.4	Qwen	$1.627 ↑	111.94s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.7% Instabile Tests 5 Eingabe-Token 111,635 Ausgabe-Token 15,999 Denk-Token 598,430 Antwortzeit (Durchschnitt) 111.94s Antwortzeit (Gesamt) 2462.67s Antwortzeit (Maximum) 1026.43s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 8.7 Programmierung : 6.2 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#27#27	Muse Spark 1.1high	8.1	Meta	$1.694	31.49s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.7% Instabile Tests 6 Eingabe-Token 129,423 Ausgabe-Token 8,077 Denk-Token 352,421 Antwortzeit (Durchschnitt) 31.49s Antwortzeit (Gesamt) 661.28s Antwortzeit (Maximum) 196.03s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 API-Fehler: 1 Keine Antwort: 1 Anti-KI-Tricks : 7.5 Programmierung : 10.0 Kombiniert : 5.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 7.8 Werkzeugaufrufe : 9.6 Allgemeinwissen : 3.0
#12#12	Grok 4.5high	8.9	X AI	$1.707	76.50s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 83.3% Instabile Tests 2 Eingabe-Token 151,562 Ausgabe-Token 5,655 Denk-Token 247,540 Antwortzeit (Durchschnitt) 76.50s Antwortzeit (Gesamt) 1683.07s Antwortzeit (Maximum) 676.83s Keine Antwort: 2 Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#22#22	Grok 4.5medium	8.3	X AI	$1.928	61.71s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 3 Eingabe-Token 122,146 Ausgabe-Token 5,514 Denk-Token 275,053 Antwortzeit (Durchschnitt) 61.71s Antwortzeit (Gesamt) 1357.56s Antwortzeit (Maximum) 436.38s Falsche Antwort: 6 Anti-KI-Tricks : 10.0 Programmierung : 7.6 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
#14#14	Claude Opus 4.8medium	8.8	Anthropic	$1.931	12.49s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.9% Instabile Tests 1 Eingabe-Token 138,451 Ausgabe-Token 40,766 Denk-Token 9,075 Antwortzeit (Durchschnitt) 12.49s Antwortzeit (Gesamt) 274.72s Antwortzeit (Maximum) 70.54s Falsche Antwort: 3 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 9.9 Datenanalyse und -extraktion : 7.1 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.5	Google	$1.976	15.07s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 93.9% Instabile Tests 2 Eingabe-Token 107,137 Ausgabe-Token 8,777 Denk-Token 192,900 Antwortzeit (Durchschnitt) 15.07s Antwortzeit (Gesamt) 331.48s Antwortzeit (Maximum) 145.92s Ungültiger Werkzeugaufruf: 1 Falsche Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 9.8 Allgemeinwissen : 10.0
#143#143	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.1% Instabile Tests 4 Eingabe-Token 29,134 Ausgabe-Token 1,984 Denk-Token 1,355,583 Antwortzeit (Durchschnitt) 61.96s Antwortzeit (Gesamt) 1115.31s Antwortzeit (Maximum) 149.23s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Keine Antwort: 1 Anti-KI-Tricks : 8.7 Programmierung : 3.3 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 5.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 2 Eingabe-Token 106,292 Ausgabe-Token 80,748 Denk-Token 35,117 Antwortzeit (Durchschnitt) 25.91s Antwortzeit (Gesamt) 362.78s Antwortzeit (Maximum) 140.96s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Zeitüberschreitung: 1 Anti-KI-Tricks : 6.5 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#41#41	Claude Opus 4.8low	7.8	Anthropic	$2.077	12.74s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.3% Instabile Tests 3 Eingabe-Token 156,525 Ausgabe-Token 43,141 Denk-Token 8,617 Antwortzeit (Durchschnitt) 12.74s Antwortzeit (Gesamt) 280.29s Antwortzeit (Maximum) 127.97s Falsche Antwort: 4 Zusätzliche Formatierung: 1 Keine Antwort: 1 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
#163#163	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Modellkarte anzeigen Gesamttests 16 Falsche Tests 3 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 59.1% Instabile Tests 0 Eingabe-Token 28,980 Ausgabe-Token 1,283 Denk-Token 1,533,310 Antwortzeit (Durchschnitt) 68.14s Antwortzeit (Gesamt) 1090.28s Antwortzeit (Maximum) 280.52s Falsche Antwort: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 7.5 Programmierung : 0.0 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#43#43	Claude Opus 4.6medium	7.7	Anthropic	$3.059	34.27s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.6% Instabile Tests 3 Eingabe-Token 108,615 Ausgabe-Token 72,286 Denk-Token 28,315 Antwortzeit (Durchschnitt) 34.27s Antwortzeit (Gesamt) 513.99s Antwortzeit (Maximum) 151.51s Zusätzliche Formatierung: 5 Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 6.4 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#33#33	Kimi K3max	8.0	Moonshot AI	$3.112	122.48s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.1 Erfolgsquote pro Versuch 75.8% Instabile Tests 1 Eingabe-Token 34,916 Ausgabe-Token 2,910 Denk-Token 197,529 Antwortzeit (Durchschnitt) 122.48s Antwortzeit (Gesamt) 2327.06s Antwortzeit (Maximum) 766.58s API-Fehler: 2 Zeitüberschreitung: 2 Zusätzliche Formatierung: 1 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#17#17	Claude Fable 5medium	8.6	Anthropic	$3.478	17.20s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 1 Eingabe-Token 89,643 Ausgabe-Token 41,360 Denk-Token 10,269 Antwortzeit (Durchschnitt) 17.20s Antwortzeit (Gesamt) 378.41s Antwortzeit (Maximum) 80.80s Keine Antwort: 2 Falsche Antwort: 2 Ungültiger Werkzeugaufruf: 1 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
#10#10	GPT-5.5medium	9.0	OpenAI	$4.137	38.42s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.9% Instabile Tests 3 Eingabe-Token 80,659 Ausgabe-Token 5,617 Denk-Token 118,819 Antwortzeit (Durchschnitt) 38.42s Antwortzeit (Gesamt) 845.35s Antwortzeit (Maximum) 332.10s Falsche Antwort: 4 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
#181#181	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 10 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 48.5% 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 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

←

1 2 3 4 5 6 7

Schnellvergleich

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 UltramediumKostenlos verfügbar Gemini 3 Flash PreviewmediumvsNorth Mini CodemediumKostenlos verfügbar Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

AI Benchy Bestenliste

Modelle filtern

Schnellvergleich