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)
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 9.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 5 Eingabe-Token 297,321 Ausgabe-Token 8,997 Denk-Token 423,853 Antwortzeit (Durchschnitt) 124.87s Antwortzeit (Gesamt) 2871.96s Antwortzeit (Maximum) 675.30s Falsche Antwort: 6 API-Fehler: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 6.2 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.8 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 73.9% Instabile Tests 6 Eingabe-Token 310,049 Ausgabe-Token 6,094 Denk-Token 566,221 Antwortzeit (Durchschnitt) 123.96s Antwortzeit (Gesamt) 2851.07s Antwortzeit (Maximum) 775.64s Keine Antwort: 4 Falsche Antwort: 3 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 5.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 72.5% Instabile Tests 7 Eingabe-Token 329,276 Ausgabe-Token 8,172 Denk-Token 479,012 Antwortzeit (Durchschnitt) 122.19s Antwortzeit (Gesamt) 2810.40s Antwortzeit (Maximum) 573.57s Keine Antwort: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Falsche Antwort: 2 API-Fehler: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 6.0 Kombiniert : 8.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.1 Befolgung von Anweisungen : 8.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 4 Eingabe-Token 226,880 Ausgabe-Token 65,346 Denk-Token 331,325 Antwortzeit (Durchschnitt) 121.25s Antwortzeit (Gesamt) 2667.55s Antwortzeit (Maximum) 876.20s Falsche Antwort: 4 Zeitüberschreitung: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 7.0 Programmierung : 5.7 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 6.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 75.4% Instabile Tests 4 Eingabe-Token 295,642 Ausgabe-Token 115,041 Denk-Token 353,398 Antwortzeit (Durchschnitt) 120.88s Antwortzeit (Gesamt) 2780.16s Antwortzeit (Maximum) 532.28s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 73.9% Instabile Tests 2 Eingabe-Token 313,881 Ausgabe-Token 123,706 Denk-Token 388,328 Antwortzeit (Durchschnitt) 120.40s Antwortzeit (Gesamt) 2769.16s Antwortzeit (Maximum) 534.21s Falsche Antwort: 5 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.2 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 76.8% Instabile Tests 5 Eingabe-Token 281,863 Ausgabe-Token 24,535 Denk-Token 507,976 Antwortzeit (Durchschnitt) 118.83s Antwortzeit (Gesamt) 2733.01s Antwortzeit (Maximum) 600.61s Falsche Antwort: 5 Anweisungen nicht befolgt: 2 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 6.3 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 78.3% Instabile Tests 5 Eingabe-Token 326,066 Ausgabe-Token 5,726 Denk-Token 469,019 Antwortzeit (Durchschnitt) 117.65s Antwortzeit (Gesamt) 2706.03s Antwortzeit (Maximum) 660.89s Falsche Antwort: 5 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 8.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 55.1% Instabile Tests 5 Eingabe-Token 262,387 Ausgabe-Token 7,344 Denk-Token 338,881 Antwortzeit (Durchschnitt) 115.00s Antwortzeit (Gesamt) 2645.11s Antwortzeit (Maximum) 560.39s Falsche Antwort: 8 API-Fehler: 2 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 76.8% Instabile Tests 6 Eingabe-Token 288,919 Ausgabe-Token 17,484 Denk-Token 617,804 Antwortzeit (Durchschnitt) 114.73s Antwortzeit (Gesamt) 2638.74s Antwortzeit (Maximum) 1026.43s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 6.2 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#349#349	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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 7 Eingabe-Token 378,048 Ausgabe-Token 56,477 Denk-Token 865,151 Antwortzeit (Durchschnitt) 111.54s Antwortzeit (Gesamt) 2565.38s Antwortzeit (Maximum) 950.25s Keine Antwort: 3 Zeitüberschreitung: 3 Falsche Antwort: 3 API-Fehler: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 3.8 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 2.8 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 20 Zuverlässigkeit 8.7 Erfolgsquote pro Versuch 26.1% Instabile Tests 6 Eingabe-Token 387,323 Ausgabe-Token 48,562 Denk-Token 410,431 Antwortzeit (Durchschnitt) 110.18s Antwortzeit (Gesamt) 1873.00s Antwortzeit (Maximum) 569.97s Zeitüberschreitung: 11 Keine Antwort: 3 Falsche Antwort: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.2 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
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 7 Eingabe-Token 264,147 Ausgabe-Token 34,419 Denk-Token 253,480 Antwortzeit (Durchschnitt) 107.79s Antwortzeit (Gesamt) 2479.26s Antwortzeit (Maximum) 1085.11s Falsche Antwort: 5 Keine Antwort: 3 Ungültiger Werkzeugaufruf: 2 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 7.7 Kombiniert : 6.7 Datenanalyse und -extraktion : 3.5 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 1 Eingabe-Token 224,367 Ausgabe-Token 27,095 Denk-Token 242,256 Antwortzeit (Durchschnitt) 105.03s Antwortzeit (Gesamt) 2310.63s Antwortzeit (Maximum) 912.19s Keine Antwort: 2 Zeitüberschreitung: 2 Falsche Antwort: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 2.9 Kombiniert : 6.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 72.5% Instabile Tests 6 Eingabe-Token 301,749 Ausgabe-Token 1,033 Denk-Token 620,023 Antwortzeit (Durchschnitt) 102.66s Antwortzeit (Gesamt) 2361.10s Antwortzeit (Maximum) 674.08s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 7.4 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 9.3 Erfolgsquote pro Versuch 42.0% Instabile Tests 9 Eingabe-Token 188,239 Ausgabe-Token 27,822 Denk-Token 262,674 Antwortzeit (Durchschnitt) 102.32s Antwortzeit (Gesamt) 1637.05s Antwortzeit (Maximum) 600.81s Falsche Antwort: 7 Zeitüberschreitung: 5 Anweisungen nicht befolgt: 3 Keine Antwort: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 7.9 Programmierung : 3.4 Kombiniert : 3.7 Datenanalyse und -extraktion : 4.6 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.8 Befolgung von Anweisungen : 7.5 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 8.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 7 Eingabe-Token 244,499 Ausgabe-Token 8,744 Denk-Token 375,349 Antwortzeit (Durchschnitt) 100.65s Antwortzeit (Gesamt) 2314.88s Antwortzeit (Maximum) 626.58s Falsche Antwort: 6 API-Fehler: 4 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.9 Programmierung : 8.9 Kombiniert : 4.7 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 71.0% Instabile Tests 4 Eingabe-Token 287,538 Ausgabe-Token 118,266 Denk-Token 346,758 Antwortzeit (Durchschnitt) 97.70s Antwortzeit (Gesamt) 2247.18s Antwortzeit (Maximum) 576.79s Falsche Antwort: 4 Keine Antwort: 3 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 8.4 Rätsellösen : 7.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.5% Instabile Tests 6 Eingabe-Token 249,486 Ausgabe-Token 14,481 Denk-Token 288,249 Antwortzeit (Durchschnitt) 97.68s Antwortzeit (Gesamt) 1562.81s Antwortzeit (Maximum) 304.85s Falsche Antwort: 6 Zeitüberschreitung: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 8.2 Programmierung : 6.6 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 8.3 Erfolgsquote pro Versuch 59.4% Instabile Tests 6 Eingabe-Token 153,399 Ausgabe-Token 7,803 Denk-Token 179,098 Antwortzeit (Durchschnitt) 97.34s Antwortzeit (Gesamt) 2238.73s Antwortzeit (Maximum) 587.08s API-Fehler: 8 Falsche Antwort: 3 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 5.2 Kombiniert : 6.5 Datenanalyse und -extraktion : 6.4 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.2 Rätsellösen : 7.7 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 47.8% Instabile Tests 6 Eingabe-Token 347,980 Ausgabe-Token 121,898 Denk-Token 720,302 Antwortzeit (Durchschnitt) 95.16s Antwortzeit (Gesamt) 2188.74s Antwortzeit (Maximum) 540.96s Falsche Antwort: 7 Anweisungen nicht befolgt: 3 API-Fehler: 2 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 8.3 Programmierung : 5.3 Kombiniert : 5.2 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 4.4 Rätsellösen : 6.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.5% Instabile Tests 8 Eingabe-Token 274,189 Ausgabe-Token 66,689 Denk-Token 510,525 Antwortzeit (Durchschnitt) 94.16s Antwortzeit (Gesamt) 2165.72s Antwortzeit (Maximum) 303.26s Falsche Antwort: 5 Keine Antwort: 3 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.2 Programmierung : 6.4 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 8.5 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 23 Zuverlässigkeit 3.5 Erfolgsquote pro Versuch 1.5% Instabile Tests 1 Eingabe-Token 114,874 Ausgabe-Token 1,992 Denk-Token 23,529 Antwortzeit (Durchschnitt) 92.50s Antwortzeit (Gesamt) 2127.40s Antwortzeit (Maximum) 128.54s API-Fehler: 22 Falsche Antwort: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 3.0 Programmierung : 3.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 81.2% Instabile Tests 5 Eingabe-Token 271,242 Ausgabe-Token 11,803 Denk-Token 397,838 Antwortzeit (Durchschnitt) 92.38s Antwortzeit (Gesamt) 2124.67s Antwortzeit (Maximum) 482.30s API-Fehler: 2 Falsche Antwort: 2 Zusätzliche Formatierung: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 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