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)
#287#287	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 39.1% Instabile Tests 3 Eingabe-Token 314,113 Ausgabe-Token 17,558 Denk-Token 0 Antwortzeit (Durchschnitt) 7.49s Antwortzeit (Gesamt) 172.19s Antwortzeit (Maximum) 75.99s Falsche Antwort: 14 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 3.0 Programmierung : 5.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#168#168	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 47.8% Instabile Tests 2 Eingabe-Token 283,977 Ausgabe-Token 36,422 Denk-Token 0 Antwortzeit (Durchschnitt) 9.98s Antwortzeit (Gesamt) 229.52s Antwortzeit (Maximum) 124.53s Falsche Antwort: 11 Anweisungen nicht befolgt: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 4.8 Programmierung : 5.8 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 6.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#110#110	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 4 Eingabe-Token 197,896 Ausgabe-Token 6,211 Denk-Token 133,184 Antwortzeit (Durchschnitt) 18.39s Antwortzeit (Gesamt) 422.93s Antwortzeit (Maximum) 111.09s Falsche Antwort: 8 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#373#373	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 34.8% Instabile Tests 5 Eingabe-Token 342,158 Ausgabe-Token 32,853 Denk-Token 25,013 Antwortzeit (Durchschnitt) 22.44s Antwortzeit (Gesamt) 516.03s Antwortzeit (Maximum) 122.50s Falsche Antwort: 9 API-Fehler: 3 Zusätzliche Formatierung: 2 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 3.2 Programmierung : 3.1 Kombiniert : 4.8 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#313#313	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 37.7% Instabile Tests 4 Eingabe-Token 218,886 Ausgabe-Token 135,768 Denk-Token 0 Antwortzeit (Durchschnitt) 18.31s Antwortzeit (Gesamt) 421.19s Antwortzeit (Maximum) 209.15s Falsche Antwort: 14 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 3.4 Programmierung : 5.5 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#223#223	Mercury 2medium	6.6	Inception	$0.121	4.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 53.6% Instabile Tests 5 Eingabe-Token 189,300 Ausgabe-Token 10,854 Denk-Token 86,089 Antwortzeit (Durchschnitt) 4.40s Antwortzeit (Gesamt) 96.81s Antwortzeit (Maximum) 34.92s Falsche Antwort: 9 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 6.9 Programmierung : 8.2 Kombiniert : 6.7 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#343#343	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
#183#183	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 7 Eingabe-Token 259,664 Ausgabe-Token 8,414 Denk-Token 333,097 Antwortzeit (Durchschnitt) 49.20s Antwortzeit (Gesamt) 1131.69s Antwortzeit (Maximum) 316.27s Falsche Antwort: 5 Zusätzliche Formatierung: 2 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 6.2 Kombiniert : 8.7 Datenanalyse und -extraktion : 2.7 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#347#347	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
#365#365	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 50.7% Instabile Tests 2 Eingabe-Token 25,987 Ausgabe-Token 216,719 Denk-Token 0 Antwortzeit (Durchschnitt) 56.57s Antwortzeit (Gesamt) 848.59s Antwortzeit (Maximum) 149.94s API-Fehler: 7 Falsche Antwort: 3 Agentenaufgaben : 0.0 Anti-KI-Tricks : 6.4 Programmierung : 5.3 Kombiniert : 5.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#291#291	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 33.3% Instabile Tests 1 Eingabe-Token 388,929 Ausgabe-Token 57,714 Denk-Token 0 Antwortzeit (Durchschnitt) 7.63s Antwortzeit (Gesamt) 175.42s Antwortzeit (Maximum) 93.47s Falsche Antwort: 13 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 3.1 Programmierung : 5.4 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#39#39	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 2 Eingabe-Token 394,509 Ausgabe-Token 10,349 Denk-Token 188,919 Antwortzeit (Durchschnitt) 16.58s Antwortzeit (Gesamt) 381.40s Antwortzeit (Maximum) 92.74s Falsche Antwort: 2 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#312#312	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 40.6% Instabile Tests 1 Eingabe-Token 190,675 Ausgabe-Token 5,577 Denk-Token 0 Antwortzeit (Durchschnitt) 8.74s Antwortzeit (Gesamt) 131.17s Antwortzeit (Maximum) 74.80s Falsche Antwort: 13 Agentenaufgaben : 5.0 Anti-KI-Tricks : 4.8 Programmierung : 4.0 Kombiniert : 1.5 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
#148#148	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
#197#197	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 3 Eingabe-Token 251,164 Ausgabe-Token 36,112 Denk-Token 241,203 Antwortzeit (Durchschnitt) 78.76s Antwortzeit (Gesamt) 1653.96s Antwortzeit (Maximum) 437.40s Falsche Antwort: 4 API-Fehler: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 4.3 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#358#358	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
#253#253	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 47.8% Instabile Tests 6 Eingabe-Token 250,919 Ausgabe-Token 20,816 Denk-Token 0 Antwortzeit (Durchschnitt) 12.71s Antwortzeit (Gesamt) 292.29s Antwortzeit (Maximum) 156.31s Falsche Antwort: 11 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 3.8 Programmierung : 5.5 Kombiniert : 3.2 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 5.2 Befolgung von Anweisungen : 6.2 Rätsellösen : 5.3 Werkzeugaufrufe : 9.5 Allgemeinwissen : 3.0
#106#106	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
#265#265	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 30.4% Instabile Tests 4 Eingabe-Token 403,455 Ausgabe-Token 100,227 Denk-Token 15,364 Antwortzeit (Durchschnitt) 38.64s Antwortzeit (Gesamt) 888.69s Antwortzeit (Maximum) 247.27s Falsche Antwort: 13 Zusätzliche Formatierung: 2 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 3.0 Programmierung : 4.2 Kombiniert : 4.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.2 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#263#263	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 7 Eingabe-Token 306,662 Ausgabe-Token 17,819 Denk-Token 125,341 Antwortzeit (Durchschnitt) 70.08s Antwortzeit (Gesamt) 1611.86s Antwortzeit (Maximum) 376.10s Falsche Antwort: 6 API-Fehler: 2 Zeitüberschreitung: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.2 Programmierung : 6.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#195#195	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.4% Instabile Tests 2 Eingabe-Token 228,023 Ausgabe-Token 10,779 Denk-Token 53,188 Antwortzeit (Durchschnitt) 6.27s Antwortzeit (Gesamt) 144.10s Antwortzeit (Maximum) 47.78s Falsche Antwort: 8 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 9.1 Programmierung : 5.5 Kombiniert : 7.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#239#239	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 3 Eingabe-Token 233,893 Ausgabe-Token 12,432 Denk-Token 0 Antwortzeit (Durchschnitt) 6.05s Antwortzeit (Gesamt) 102.89s Antwortzeit (Maximum) 57.84s Falsche Antwort: 9 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#284#284	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 9 Eingabe-Token 277,028 Ausgabe-Token 11,965 Denk-Token 31,238 Antwortzeit (Durchschnitt) 9.69s Antwortzeit (Gesamt) 222.83s Antwortzeit (Maximum) 77.99s Falsche Antwort: 10 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 8.2 Programmierung : 5.5 Kombiniert : 2.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#186#186	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 0 Eingabe-Token 272,221 Ausgabe-Token 12,345 Denk-Token 47,189 Antwortzeit (Durchschnitt) 6.78s Antwortzeit (Gesamt) 155.96s Antwortzeit (Maximum) 54.91s Falsche Antwort: 7 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 9.1 Programmierung : 5.5 Kombiniert : 7.2 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
#302#302	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 53.6% Instabile Tests 10 Eingabe-Token 314,436 Ausgabe-Token 13,578 Denk-Token 294,343 Antwortzeit (Durchschnitt) 56.55s Antwortzeit (Gesamt) 961.32s Antwortzeit (Maximum) 227.89s Falsche Antwort: 11 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 6.5 Programmierung : 7.0 Kombiniert : 6.4 Datenanalyse und -extraktion : 3.7 Domänenspezifisch : 3.4 Allgemeine Intelligenz : 4.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 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