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: 2026-10-17 Bewertete Modelle: 442

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

442/442

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#69#69	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.0% Instabile Tests 4 Eingabe-Token 172,359 Ausgabe-Token 5,026 Denk-Token 8,185 Antwortzeit (Durchschnitt) 8.72s Antwortzeit (Gesamt) 200.61s Antwortzeit (Maximum) 48.43s Falsche Antwort: 5 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 6.2 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
#164#164	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 76.8% Instabile Tests 7 Eingabe-Token 388,307 Ausgabe-Token 10,412 Denk-Token 118,802 Antwortzeit (Durchschnitt) 8.68s Antwortzeit (Gesamt) 199.65s Antwortzeit (Maximum) 86.92s Falsche Antwort: 6 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 7.9 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#284#284	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 40.6% Instabile Tests 5 Eingabe-Token 393,560 Ausgabe-Token 30,466 Denk-Token 311 Antwortzeit (Durchschnitt) 8.60s Antwortzeit (Gesamt) 197.73s Antwortzeit (Maximum) 64.73s Falsche Antwort: 9 Zusätzliche Formatierung: 4 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 5.3 Programmierung : 4.6 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 6.4 Rätsellösen : 6.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#188#188	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.5% Instabile Tests 2 Eingabe-Token 251,677 Ausgabe-Token 11,196 Denk-Token 31,204 Antwortzeit (Durchschnitt) 8.51s Antwortzeit (Gesamt) 195.76s Antwortzeit (Maximum) 52.64s Falsche Antwort: 7 Agentenaufgaben : 5.0 Anti-KI-Tricks : 10.0 Programmierung : 5.8 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#244#244	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 42.0% Instabile Tests 3 Eingabe-Token 276,199 Ausgabe-Token 17,473 Denk-Token 0 Antwortzeit (Durchschnitt) 8.50s Antwortzeit (Gesamt) 195.60s Antwortzeit (Maximum) 81.77s Falsche Antwort: 13 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 4.8 Programmierung : 5.5 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 4.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#327#327	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 40,677 Denk-Token 23,104 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
#337#337	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
#351#351	Ling 2.6 1tdefault	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
#18#18	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 94.2% Instabile Tests 1 Eingabe-Token 202,347 Ausgabe-Token 6,660 Denk-Token 68,002 Antwortzeit (Durchschnitt) 8.16s Antwortzeit (Gesamt) 187.58s Antwortzeit (Maximum) 58.39s Falsche Antwort: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 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 : 10.0
#301#301	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 31.9% Instabile Tests 1 Eingabe-Token 305,664 Ausgabe-Token 13,249 Denk-Token 0 Antwortzeit (Durchschnitt) 8.14s Antwortzeit (Gesamt) 187.23s Antwortzeit (Maximum) 69.17s Falsche Antwort: 14 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 4.8 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 5.4 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 40.6% Instabile Tests 1 Eingabe-Token 361,183 Ausgabe-Token 26,609 Denk-Token 11,139 Antwortzeit (Durchschnitt) 8.03s Antwortzeit (Gesamt) 184.80s Antwortzeit (Maximum) 51.18s Zusätzliche Formatierung: 8 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Falsche Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.5 Programmierung : 3.4 Kombiniert : 8.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 6.3 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#118#118	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 69.6% Instabile Tests 0 Eingabe-Token 243,553 Ausgabe-Token 20,670 Denk-Token 0 Antwortzeit (Durchschnitt) 7.85s Antwortzeit (Gesamt) 180.65s Antwortzeit (Maximum) 80.34s Falsche Antwort: 7 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.5 Programmierung : 5.5 Kombiniert : 6.5 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
#45#45	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 2 Eingabe-Token 244,533 Ausgabe-Token 3,450 Denk-Token 39,280 Antwortzeit (Durchschnitt) 7.85s Antwortzeit (Gesamt) 180.45s Antwortzeit (Maximum) 53.74s Falsche Antwort: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#325#325	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 11 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 53.6% Instabile Tests 2 Eingabe-Token 106,348 Ausgabe-Token 19,257 Denk-Token 0 Antwortzeit (Durchschnitt) 7.82s Antwortzeit (Gesamt) 172.04s Antwortzeit (Maximum) 102.62s Falsche Antwort: 11 Agentenaufgaben : 0.0 Anti-KI-Tricks : 5.2 Programmierung : 3.8 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 20 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 29.0% Instabile Tests 8 Eingabe-Token 465,127 Ausgabe-Token 72,309 Denk-Token 0 Antwortzeit (Durchschnitt) 7.79s Antwortzeit (Gesamt) 179.09s Antwortzeit (Maximum) 121.52s Falsche Antwort: 16 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 5.2 Anti-KI-Tricks : 3.4 Programmierung : 3.8 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 4.9 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 63.8% Instabile Tests 5 Eingabe-Token 317,982 Ausgabe-Token 3,918 Denk-Token 135,028 Antwortzeit (Durchschnitt) 7.74s Antwortzeit (Gesamt) 178.07s Antwortzeit (Maximum) 107.89s Falsche Antwort: 9 API-Fehler: 1 Zeitüberschreitung: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 5.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#43#43	Muse Wonderminimal	9.1	Meta	$1.639	7.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 76.8% Instabile Tests 2 Eingabe-Token 238,532 Ausgabe-Token 9,812 Denk-Token 24,412 Antwortzeit (Durchschnitt) 7.72s Antwortzeit (Gesamt) 177.57s Antwortzeit (Maximum) 42.89s API-Fehler: 3 Falsche Antwort: 3 Agentenaufgaben : 10.0 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 : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 7 Eingabe-Token 298,334 Ausgabe-Token 10,328 Denk-Token 55,846 Antwortzeit (Durchschnitt) 7.71s Antwortzeit (Gesamt) 177.29s Antwortzeit (Maximum) 47.70s Falsche Antwort: 5 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 6.3 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.8 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 1 Eingabe-Token 123,273 Ausgabe-Token 19,362 Denk-Token 0 Antwortzeit (Durchschnitt) 7.67s Antwortzeit (Gesamt) 122.78s Antwortzeit (Maximum) 51.18s Falsche Antwort: 5 Zusätzliche Formatierung: 4 Anweisungen nicht befolgt: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 4.8 Programmierung : 5.5 Kombiniert : 9.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 6.5 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#283#283	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
#225#225	Mercury 2.5high	6.5	Inception	$0.044	7.62s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 59.4% Instabile Tests 4 Eingabe-Token 358,562 Ausgabe-Token 4,266 Denk-Token 189,410 Antwortzeit (Durchschnitt) 7.62s Antwortzeit (Gesamt) 175.36s Antwortzeit (Maximum) 80.30s Falsche Antwort: 9 API-Fehler: 1 Keine Antwort: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 10.0 Programmierung : 6.4 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 65.2% Instabile Tests 6 Eingabe-Token 298,512 Ausgabe-Token 3,178 Denk-Token 177,419 Antwortzeit (Durchschnitt) 7.61s Antwortzeit (Gesamt) 175.08s Antwortzeit (Maximum) 86.84s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 6.7 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#113#113	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 75.4% Instabile Tests 6 Eingabe-Token 176,890 Ausgabe-Token 5,688 Denk-Token 18,525 Antwortzeit (Durchschnitt) 7.58s Antwortzeit (Gesamt) 174.39s Antwortzeit (Maximum) 54.57s Falsche Antwort: 8 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 6.6 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#168#168	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 81.2% Instabile Tests 5 Eingabe-Token 215,836 Ausgabe-Token 9,452 Denk-Token 33,289 Antwortzeit (Durchschnitt) 7.54s Antwortzeit (Gesamt) 173.36s Antwortzeit (Maximum) 67.18s Falsche Antwort: 6 Keine Antwort: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 5.4 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.8 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#195#195	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 2 Eingabe-Token 345,059 Ausgabe-Token 24,343 Denk-Token 0 Antwortzeit (Durchschnitt) 7.54s Antwortzeit (Gesamt) 173.31s Antwortzeit (Maximum) 65.07s Falsche Antwort: 5 Zusätzliche Formatierung: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 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

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