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: 2026-09-03 Bewertete Modelle: 311

Empfohlene Modelle

GPT-5.6 Sol high Intelligent Erfolgsquote pro Versuch 89.4% Korrekte Tests 18 / 22 Punktzahl 9.4/10 GPT-5.6 Luna medium Schnell Antwortzeit (Durchschnitt) 7.43s Gesamte Ausgabe-Token 44,525 Punktzahl 7.4/10 DeepSeek V4 Flash 0731 high Preiswert Eingabepreis $0.065 / 1M Ausgabepreis $0.180 / 1M Punktzahl 8.0/10

311/311

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#277#277	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 10 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 53.0% Instabile Tests 6 Eingabe-Token 28,927 Ausgabe-Token 4,682 Denk-Token 17,969 Antwortzeit (Durchschnitt) 10.33s Antwortzeit (Gesamt) 175.58s Antwortzeit (Maximum) 30.53s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Zeitüberschreitung: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 7.3 Programmierung : 9.8 Kombiniert : 2.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 7.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 6.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#280#280	Cobuddymedium	4.7	Baidu	$0.000	39.90s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 45.5% Instabile Tests 6 Eingabe-Token 37,449 Ausgabe-Token 1,677 Denk-Token 116,703 Antwortzeit (Durchschnitt) 39.90s Antwortzeit (Gesamt) 797.98s Antwortzeit (Maximum) 309.02s Falsche Antwort: 9 Anweisungen nicht befolgt: 3 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 8.7 Programmierung : 3.7 Kombiniert : 1.5 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.2 Befolgung von Anweisungen : 9.8 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#288#288	Elephant Alphanone	4.3	Openrouter	$0.000	1.22s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 16 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 25.8% Instabile Tests 1 Eingabe-Token 33,743 Ausgabe-Token 2,573 Denk-Token 0 Antwortzeit (Durchschnitt) 1.22s Antwortzeit (Gesamt) 22.03s Antwortzeit (Maximum) 3.81s Falsche Antwort: 9 API-Fehler: 3 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.6 Programmierung : 4.2 Kombiniert : 1.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 4.2 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#290#290	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 15 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 28.8% Instabile Tests 1 Eingabe-Token 33,744 Ausgabe-Token 2,596 Denk-Token 0 Antwortzeit (Durchschnitt) 1.27s Antwortzeit (Gesamt) 22.82s Antwortzeit (Maximum) 3.70s Falsche Antwort: 9 API-Fehler: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.6 Programmierung : 3.7 Kombiniert : 1.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.3 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#292#292	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 12 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 37.9% Instabile Tests 4 Eingabe-Token 34,329 Ausgabe-Token 2,264 Denk-Token 0 Antwortzeit (Durchschnitt) 4.70s Antwortzeit (Gesamt) 79.86s Antwortzeit (Maximum) 15.17s Falsche Antwort: 9 Anweisungen nicht befolgt: 2 API-Fehler: 1 Anti-KI-Tricks : 3.5 Programmierung : 9.8 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 6.4 Rätsellösen : 5.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#297#297	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 20 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 9.1% Instabile Tests 0 Eingabe-Token 184,579 Ausgabe-Token 110,071 Denk-Token 0 Antwortzeit (Durchschnitt) 14.02s Antwortzeit (Gesamt) 294.46s Antwortzeit (Maximum) 240.61s Falsche Antwort: 13 Anweisungen nicht befolgt: 4 API-Fehler: 1 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 4.8 Programmierung : 4.2 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 3.1 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#301#301	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 24.2% Instabile Tests 3 Eingabe-Token 115,314 Ausgabe-Token 133,965 Denk-Token 816,718 Antwortzeit (Durchschnitt) 75.68s Antwortzeit (Gesamt) 1589.20s Antwortzeit (Maximum) 345.15s Keine Antwort: 7 Falsche Antwort: 6 Anweisungen nicht befolgt: 3 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.4 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.8 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 6.8 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#302#302	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 19.7% Instabile Tests 1 Eingabe-Token 99,662 Ausgabe-Token 146,555 Denk-Token 732,977 Antwortzeit (Durchschnitt) 66.16s Antwortzeit (Gesamt) 1389.33s Antwortzeit (Maximum) 252.08s Keine Antwort: 7 Falsche Antwort: 5 Anweisungen nicht befolgt: 4 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.5 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.8 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 6.6 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#305#305	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 24.2% Instabile Tests 3 Eingabe-Token 103,898 Ausgabe-Token 148,304 Denk-Token 774,972 Antwortzeit (Durchschnitt) 68.08s Antwortzeit (Gesamt) 1429.66s Antwortzeit (Maximum) 262.20s Keine Antwort: 7 Falsche Antwort: 5 Anweisungen nicht befolgt: 4 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.5 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.7 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.8 Befolgung von Anweisungen : 6.8 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#308#308	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 27.3% Instabile Tests 5 Eingabe-Token 11,661 Ausgabe-Token 48,491 Denk-Token 180,695 Antwortzeit (Durchschnitt) 17.13s Antwortzeit (Gesamt) 222.66s Antwortzeit (Maximum) 147.45s Falsche Antwort: 7 API-Fehler: 6 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.4 Programmierung : 1.1 Kombiniert : 1.5 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 2.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#309#309	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	NVIDIA	$0.000	728ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 15.2% Instabile Tests 2 Eingabe-Token 11,661 Ausgabe-Token 1,302 Denk-Token 0 Antwortzeit (Durchschnitt) 728ms Antwortzeit (Gesamt) 9.47s Antwortzeit (Maximum) 2.21s Falsche Antwort: 9 API-Fehler: 6 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 4.8 Programmierung : 3.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 3.8 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 4.8 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0

←

1 12 13

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium