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: 2026-07-20 Bewertete Modelle: 210

210/210

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#169#169	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.17s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 19.7% Instabile Tests 1 Eingabe-Token 144,407 Ausgabe-Token 37,484 Denk-Token 0 Antwortzeit (Durchschnitt) 19.17s Antwortzeit (Gesamt) 421.74s Antwortzeit (Maximum) 382.06s Falsche Antwort: 14 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Anti-KI-Tricks : 3.1 Programmierung : 3.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#155#155	Kimi K2.5none	5.5	Moonshot AI	$0.127 ↑	19.15s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 34.9% Instabile Tests 4 Eingabe-Token 89,322 Ausgabe-Token 26,638 Denk-Token 0 Antwortzeit (Durchschnitt) 19.15s Antwortzeit (Gesamt) 287.30s Antwortzeit (Maximum) 102.83s Falsche Antwort: 15 Keine Antwort: 1 Anti-KI-Tricks : 3.6 Programmierung : 5.5 Kombiniert : 2.8 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#44#44	GPT-5.6 Lunahigh	7.7	OpenAI	$1.017	18.68s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.7% Instabile Tests 3 Eingabe-Token 80,918 Ausgabe-Token 5,088 Denk-Token 150,910 Antwortzeit (Durchschnitt) 18.68s Antwortzeit (Gesamt) 411.05s Antwortzeit (Maximum) 111.09s Falsche Antwort: 7 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#173#173	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	18.25s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 37.9% Instabile Tests 6 Eingabe-Token 135,780 Ausgabe-Token 42,097 Denk-Token 0 Antwortzeit (Durchschnitt) 18.25s Antwortzeit (Gesamt) 401.60s Antwortzeit (Maximum) 115.89s Falsche Antwort: 7 API-Fehler: 4 Zusätzliche Formatierung: 2 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 3.2 Programmierung : 3.1 Kombiniert : 4.8 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#17#17	Claude Fable 5medium	8.6	Anthropic	$3.478	17.20s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.8% Instabile Tests 1 Eingabe-Token 89,643 Ausgabe-Token 41,360 Denk-Token 10,269 Antwortzeit (Durchschnitt) 17.20s Antwortzeit (Gesamt) 378.41s Antwortzeit (Maximum) 80.80s Keine Antwort: 2 Falsche Antwort: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 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
#207#207	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
#13#13	GPT-5.3-Codexmedium	8.9	OpenAI	$0.920	16.96s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 83.3% Instabile Tests 4 Eingabe-Token 81,268 Ausgabe-Token 6,251 Denk-Token 49,274 Antwortzeit (Durchschnitt) 16.96s Antwortzeit (Gesamt) 373.19s Antwortzeit (Maximum) 100.93s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#104#104	Gemini 3.1 Flash Lite Previewlow	6.5	Google	$0.646	16.70s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.1% Instabile Tests 0 Eingabe-Token 110,185 Ausgabe-Token 14,717 Denk-Token 397,483 Antwortzeit (Durchschnitt) 16.70s Antwortzeit (Gesamt) 367.47s Antwortzeit (Maximum) 309.35s Falsche Antwort: 7 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#100#100	Hy3 previewmedium	6.5	Tencent	$0.018 ↕	16.28s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.6% Instabile Tests 0 Eingabe-Token 27,030 Ausgabe-Token 73,544 Denk-Token 0 Antwortzeit (Durchschnitt) 16.28s Antwortzeit (Gesamt) 293.12s Antwortzeit (Maximum) 46.04s API-Fehler: 3 Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 10.0 Programmierung : 5.3 Kombiniert : 5.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#105#105	Gemini 3.1 Flash Litelow	6.5	Google	$0.621	16.26s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.1% Instabile Tests 2 Eingabe-Token 94,224 Ausgabe-Token 7,759 Denk-Token 390,126 Antwortzeit (Durchschnitt) 16.26s Antwortzeit (Gesamt) 357.64s Antwortzeit (Maximum) 318.02s Falsche Antwort: 9 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 7.3 Programmierung : 5.5 Kombiniert : 3.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#32#32	Inklingmedium	8.0	Thinkingmachines	$0.391	16.21s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 7 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 78.8% Instabile Tests 5 Eingabe-Token 124,053 Ausgabe-Token 12,189 Denk-Token 53,597 Antwortzeit (Durchschnitt) 16.21s Antwortzeit (Gesamt) 356.54s Antwortzeit (Maximum) 85.12s Falsche Antwort: 4 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Anti-KI-Tricks : 8.7 Programmierung : 8.4 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 2.8
#144#144	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.90s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 15 Zuverlässigkeit 9.9 Erfolgsquote pro Versuch 43.9% Instabile Tests 6 Eingabe-Token 50,470 Ausgabe-Token 3,957 Denk-Token 111,374 Antwortzeit (Durchschnitt) 15.90s Antwortzeit (Gesamt) 349.71s Antwortzeit (Maximum) 118.35s Falsche Antwort: 9 API-Fehler: 3 Zusätzliche Formatierung: 3 Anti-KI-Tricks : 6.9 Programmierung : 4.3 Kombiniert : 6.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 3.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#20#20	Grok 4.5low	8.4	X AI	$0.935	15.56s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 75.8% Instabile Tests 1 Eingabe-Token 125,596 Ausgabe-Token 7,505 Denk-Token 106,446 Antwortzeit (Durchschnitt) 15.56s Antwortzeit (Gesamt) 342.32s Antwortzeit (Maximum) 205.28s Falsche Antwort: 6 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#175#175	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 10 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 40.9% Instabile Tests 0 Eingabe-Token 32,639 Ausgabe-Token 1,153 Denk-Token 62,197 Antwortzeit (Durchschnitt) 15.25s Antwortzeit (Gesamt) 182.96s Antwortzeit (Maximum) 43.55s API-Fehler: 8 Falsche Antwort: 2 Anti-KI-Tricks : 8.3 Programmierung : 9.8 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.5	Google	$1.976	15.07s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 93.9% Instabile Tests 2 Eingabe-Token 107,137 Ausgabe-Token 8,777 Denk-Token 192,900 Antwortzeit (Durchschnitt) 15.07s Antwortzeit (Gesamt) 331.48s Antwortzeit (Maximum) 145.92s Ungültiger Werkzeugaufruf: 1 Falsche Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 8.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 9.8 Allgemeinwissen : 10.0
#186#186	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 45.5% Instabile Tests 2 Eingabe-Token 44,969 Ausgabe-Token 58,087 Denk-Token 0 Antwortzeit (Durchschnitt) 14.73s Antwortzeit (Gesamt) 220.93s Antwortzeit (Maximum) 53.14s API-Fehler: 4 Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 6.5 Programmierung : 1.5 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#126#126	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.56s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 43.9% Instabile Tests 4 Eingabe-Token 94,468 Ausgabe-Token 51,487 Denk-Token 0 Antwortzeit (Durchschnitt) 13.56s Antwortzeit (Gesamt) 298.31s Antwortzeit (Maximum) 206.05s Falsche Antwort: 12 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 4.8 Programmierung : 3.9 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 6.2 Rätsellösen : 6.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#53#53	GPT-5.4 Nanomedium	7.5	OpenAI	$0.138	13.24s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 65.2% Instabile Tests 4 Eingabe-Token 82,819 Ausgabe-Token 7,100 Denk-Token 90,022 Antwortzeit (Durchschnitt) 13.24s Antwortzeit (Gesamt) 291.33s Antwortzeit (Maximum) 94.06s Falsche Antwort: 8 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 8.3 Programmierung : 6.1 Kombiniert : 9.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 4.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#199#199	Hy3 previewnone	4.0	Tencent	$0.003 ↕	12.92s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 22.7% Instabile Tests 2 Eingabe-Token 27,172 Ausgabe-Token 2,661 Denk-Token 0 Antwortzeit (Durchschnitt) 12.92s Antwortzeit (Gesamt) 232.64s Antwortzeit (Maximum) 35.84s Falsche Antwort: 8 API-Fehler: 4 Anweisungen nicht befolgt: 4 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 4.8 Programmierung : 2.7 Kombiniert : 1.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.1 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#142#142	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.247 ↓	12.92s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 33.3% Instabile Tests 2 Eingabe-Token 241,566 Ausgabe-Token 88,458 Denk-Token 0 Antwortzeit (Durchschnitt) 12.92s Antwortzeit (Gesamt) 284.21s Antwortzeit (Maximum) 212.63s Falsche Antwort: 13 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 4.8 Programmierung : 3.7 Kombiniert : 5.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#41#41	Claude Opus 4.8low	7.8	Anthropic	$2.077	12.74s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.3% Instabile Tests 3 Eingabe-Token 156,525 Ausgabe-Token 43,141 Denk-Token 8,617 Antwortzeit (Durchschnitt) 12.74s Antwortzeit (Gesamt) 280.29s Antwortzeit (Maximum) 127.97s Falsche Antwort: 4 Zusätzliche Formatierung: 1 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 6.6 Kombiniert : 9.9 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#127#127	Qwen3.5-35B-A3Bnone	6.1	Qwen	$0.106 ↓	12.72s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 43.9% Instabile Tests 4 Eingabe-Token 134,521 Ausgabe-Token 86,614 Denk-Token 0 Antwortzeit (Durchschnitt) 12.72s Antwortzeit (Gesamt) 279.90s Antwortzeit (Maximum) 209.15s Falsche Antwort: 12 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.4 Programmierung : 5.5 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#23#23	Claude Sonnet 5medium	8.3	Anthropic	$0.922	12.52s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.3% Instabile Tests 3 Eingabe-Token 145,956 Ausgabe-Token 52,333 Denk-Token 10,874 Antwortzeit (Durchschnitt) 12.52s Antwortzeit (Gesamt) 275.42s Antwortzeit (Maximum) 66.71s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 10.0 Programmierung : 9.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#14#14	Claude Opus 4.8medium	8.8	Anthropic	$1.931	12.49s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.9% Instabile Tests 1 Eingabe-Token 138,451 Ausgabe-Token 40,766 Denk-Token 9,075 Antwortzeit (Durchschnitt) 12.49s Antwortzeit (Gesamt) 274.72s Antwortzeit (Maximum) 70.54s Falsche Antwort: 3 Keine Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 9.9 Datenanalyse und -extraktion : 7.1 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#182#182	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.067	12.17s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 37.9% Instabile Tests 8 Eingabe-Token 69,367 Ausgabe-Token 93,913 Denk-Token 0 Antwortzeit (Durchschnitt) 12.17s Antwortzeit (Gesamt) 267.83s Antwortzeit (Maximum) 121.05s Falsche Antwort: 13 Zusätzliche Formatierung: 3 API-Fehler: 1 Anti-KI-Tricks : 5.3 Programmierung : 3.3 Kombiniert : 3.8 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 2.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#71#71	Qwen3.7 Plusnone	7.2	Qwen	$0.106 ↓	12.09s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 50.0% Instabile Tests 0 Eingabe-Token 98,824 Ausgabe-Token 58,097 Denk-Token 0 Antwortzeit (Durchschnitt) 12.09s Antwortzeit (Gesamt) 265.89s Antwortzeit (Maximum) 206.03s Falsche Antwort: 10 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 6.5 Programmierung : 5.5 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.3 Befolgung von Anweisungen : 6.3 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#146#146	Owl Alphamedium	5.6	Openrouter	$0.000	11.95s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 37.9% Instabile Tests 1 Eingabe-Token 43,478 Ausgabe-Token 2,974 Denk-Token 0 Antwortzeit (Durchschnitt) 11.95s Antwortzeit (Gesamt) 250.88s Antwortzeit (Maximum) 58.63s Falsche Antwort: 10 Anweisungen nicht befolgt: 2 API-Fehler: 1 Anti-KI-Tricks : 4.8 Programmierung : 5.4 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.3 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#5#5	GPT-5.6 Solhigh	9.4	OpenAI	$1.234	11.73s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 89.4% Instabile Tests 3 Eingabe-Token 79,249 Ausgabe-Token 4,855 Denk-Token 23,044 Antwortzeit (Durchschnitt) 11.73s Antwortzeit (Gesamt) 257.99s Antwortzeit (Maximum) 54.79s Falsche Antwort: 4 Anti-KI-Tricks : 8.7 Programmierung : 10.0 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
#82#82	DeepSeek V4 Pronone	6.9	DeepSeek	$0.096	11.55s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 51.5% Instabile Tests 4 Eingabe-Token 148,069 Ausgabe-Token 35,551 Denk-Token 0 Antwortzeit (Durchschnitt) 11.55s Antwortzeit (Gesamt) 254.11s Antwortzeit (Maximum) 119.44s Falsche Antwort: 8 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.2 Programmierung : 5.6 Kombiniert : 7.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#24#24	Muse Spark 1.1low	8.3	Meta	$0.647	11.45s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.7% Instabile Tests 4 Eingabe-Token 142,298 Ausgabe-Token 10,847 Denk-Token 99,467 Antwortzeit (Durchschnitt) 11.45s Antwortzeit (Gesamt) 251.92s Antwortzeit (Maximum) 54.15s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 7.9 Programmierung : 10.0 Kombiniert : 6.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 8.3 Werkzeugaufrufe : 9.8 Allgemeinwissen : 3.0

←

1 2 3 4 5 6 7

→

Schnellvergleich

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 UltramediumKostenlos verfügbar Gemini 3 Flash PreviewmediumvsNorth Mini CodemediumKostenlos verfügbar Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

AI Benchy Bestenliste

Modelle filtern

Schnellvergleich