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: 2026-09-02 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)
#261#261	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 22.7% Instabile Tests 5 Eingabe-Token 118,752 Ausgabe-Token 67,823 Denk-Token 383,885 Antwortzeit (Durchschnitt) 85.34s Antwortzeit (Gesamt) 1877.49s Antwortzeit (Maximum) 814.73s Falsche Antwort: 15 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.4 Programmierung : 3.8 Kombiniert : 3.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 4.3 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#268#268	Hy4 previewnone	4.8	Tencent	$0.041	39.24s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 4.3 Erfolgsquote pro Versuch 16.7% Instabile Tests 1 Eingabe-Token 26,376 Ausgabe-Token 7,306 Denk-Token 0 Antwortzeit (Durchschnitt) 39.24s Antwortzeit (Gesamt) 863.30s Antwortzeit (Maximum) 95.32s Falsche Antwort: 9 API-Fehler: 7 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 3.3 Programmierung : 3.8 Kombiniert : 3.0 Datenanalyse und -extraktion : 8.7 Domänenspezifisch : 6.8 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 7.0 Rätsellösen : 4.6 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#283#283	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 25.8% Instabile Tests 4 Eingabe-Token 148,203 Ausgabe-Token 19,069 Denk-Token 0 Antwortzeit (Durchschnitt) 9.07s Antwortzeit (Gesamt) 154.19s Antwortzeit (Maximum) 81.80s Falsche Antwort: 14 Anweisungen nicht befolgt: 3 Keine Antwort: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 3.5 Programmierung : 3.7 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 6.3 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#291#291	Granite 4.2 8Bnone	4.3	IBM Granite	$0.026	86.27s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 8.6 Erfolgsquote pro Versuch 16.7% Instabile Tests 2 Eingabe-Token 57,786 Ausgabe-Token 130,805 Denk-Token 0 Antwortzeit (Durchschnitt) 86.27s Antwortzeit (Gesamt) 1897.96s Antwortzeit (Maximum) 747.17s Falsche Antwort: 11 Zusätzliche Formatierung: 4 Zeitüberschreitung: 3 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 4.9 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.9 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#299#299	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.007 ↕	1.21s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 16.7% Instabile Tests 2 Eingabe-Token 74,074 Ausgabe-Token 2,731 Denk-Token 0 Antwortzeit (Durchschnitt) 1.21s Antwortzeit (Gesamt) 26.62s Antwortzeit (Maximum) 6.30s Falsche Antwort: 16 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 4.8 Programmierung : 3.1 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 2.8 Allgemeinwissen : 3.0
#304#304	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 6.0 Erfolgsquote pro Versuch 25.8% Instabile Tests 5 Eingabe-Token 17,195 Ausgabe-Token 46,735 Denk-Token 366,707 Antwortzeit (Durchschnitt) 107.51s Antwortzeit (Gesamt) 1720.15s Antwortzeit (Maximum) 569.97s Zeitüberschreitung: 11 Keine Antwort: 3 Falsche Antwort: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 5.1 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.6 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 2.8 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#311#311	LFM2-24B-A2Bnone	2.2	Liquid	$0.001	782ms
Modellkarte anzeigen Gesamttests 16 Falsche Tests 14 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 12.1% Instabile Tests 1 Eingabe-Token 10,771 Ausgabe-Token 1,173 Denk-Token 0 Antwortzeit (Durchschnitt) 782ms Antwortzeit (Gesamt) 10.94s Antwortzeit (Maximum) 3.15s Falsche Antwort: 9 API-Fehler: 4 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 2.5 Programmierung : 0.0 Kombiniert : 1.5 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.8 Werkzeugaufrufe : 3.0 Allgemeinwissen : 0.0
#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
#285#285	Laguna S 2.1none	4.5	Poolside	$0.022 ↓	11.67s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 20 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 15.2% Instabile Tests 3 Eingabe-Token 125,604 Ausgabe-Token 57,634 Denk-Token 0 Antwortzeit (Durchschnitt) 11.67s Antwortzeit (Gesamt) 256.71s Antwortzeit (Maximum) 200.52s Falsche Antwort: 18 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 3.1 Programmierung : 3.4 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 4.3 Rätsellösen : 3.1 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#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
#298#298	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 20 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 9.1% Instabile Tests 0 Eingabe-Token 113,836 Ausgabe-Token 5,996 Denk-Token 0 Antwortzeit (Durchschnitt) 1.44s Antwortzeit (Gesamt) 31.75s Antwortzeit (Maximum) 16.67s Falsche Antwort: 13 Anweisungen nicht befolgt: 4 Ungültiger Werkzeugaufruf: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 4.9 Programmierung : 4.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 3.6 Rätsellösen : 3.2 Werkzeugaufrufe : 10.0 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