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: 2026-10-19 Bewertete Modelle: 451

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

451/451

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#116#116	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
#185#185	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.7% Instabile Tests 2 Eingabe-Token 79,249 Ausgabe-Token 5,097 Denk-Token 165,276 Antwortzeit (Durchschnitt) 66.52s Antwortzeit (Gesamt) 1463.50s Antwortzeit (Maximum) 238.07s Falsche Antwort: 4 Zeitüberschreitung: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 10.0 Programmierung : 8.8 Kombiniert : 7.3 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
#76#76	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 85.5% Instabile Tests 3 Eingabe-Token 298,682 Ausgabe-Token 8,374 Denk-Token 80,549 Antwortzeit (Durchschnitt) 29.07s Antwortzeit (Gesamt) 668.66s Antwortzeit (Maximum) 207.79s Falsche Antwort: 4 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#119#119	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 5 Eingabe-Token 238,925 Ausgabe-Token 7,109 Denk-Token 177,063 Antwortzeit (Durchschnitt) 29.94s Antwortzeit (Gesamt) 688.57s Antwortzeit (Maximum) 138.75s Falsche Antwort: 6 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.6 Programmierung : 8.4 Kombiniert : 6.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.8 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#227#227	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
#47#47	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.1% Instabile Tests 2 Eingabe-Token 268,540 Ausgabe-Token 7,499 Denk-Token 85,499 Antwortzeit (Durchschnitt) 30.42s Antwortzeit (Gesamt) 699.68s Antwortzeit (Maximum) 168.09s Falsche Antwort: 5 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#292#292	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
#60#60	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 81.2% Instabile Tests 3 Eingabe-Token 262,495 Ausgabe-Token 7,787 Denk-Token 86,149 Antwortzeit (Durchschnitt) 25.09s Antwortzeit (Gesamt) 577.14s Antwortzeit (Maximum) 155.75s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.4 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#177#177	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
#102#102	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 6 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 81.2% Instabile Tests 4 Eingabe-Token 227,164 Ausgabe-Token 20,029 Denk-Token 60,991 Antwortzeit (Durchschnitt) 26.88s Antwortzeit (Gesamt) 591.34s Antwortzeit (Maximum) 102.40s Falsche Antwort: 3 Keine Antwort: 2 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.2 Kombiniert : 5.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#4#4	GPT-6.1 Solmax	9.9	OpenAI	$1.006	61.98s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 9.7 Erfolgsquote pro Versuch 95.7% Instabile Tests 0 Eingabe-Token 183,607 Ausgabe-Token 5,741 Denk-Token 58,082 Antwortzeit (Durchschnitt) 61.98s Antwortzeit (Gesamt) 1425.65s Antwortzeit (Maximum) 960.01s Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 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
#236#236	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 5 Eingabe-Token 325,471 Ausgabe-Token 14,867 Denk-Token 217,675 Antwortzeit (Durchschnitt) 44.53s Antwortzeit (Gesamt) 1024.25s Antwortzeit (Maximum) 216.69s Falsche Antwort: 6 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#3🥉 #3	GPT-6 Solhigh	9.9	OpenAI	$0.921	23.56s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 95.7% Instabile Tests 0 Eingabe-Token 182,698 Ausgabe-Token 5,647 Denk-Token 49,872 Antwortzeit (Durchschnitt) 23.56s Antwortzeit (Gesamt) 541.85s Antwortzeit (Maximum) 136.22s Falsche Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 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
#264#264	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
#78#78	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 82.6% Instabile Tests 5 Eingabe-Token 270,231 Ausgabe-Token 13,363 Denk-Token 121,332 Antwortzeit (Durchschnitt) 17.73s Antwortzeit (Gesamt) 407.75s Antwortzeit (Maximum) 78.72s Falsche Antwort: 4 API-Fehler: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.2 Kombiniert : 7.3 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
#199#199	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 46.4% Instabile Tests 2 Eingabe-Token 291,853 Ausgabe-Token 24,116 Denk-Token 8,327 Antwortzeit (Durchschnitt) 7.46s Antwortzeit (Gesamt) 171.47s Antwortzeit (Maximum) 46.61s Zusätzliche Formatierung: 5 Anweisungen nicht befolgt: 5 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Falsche Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.5 Programmierung : 3.2 Kombiniert : 7.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 6.3 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.900 ↓	18.93s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 1 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 98.6% Instabile Tests 1 Eingabe-Token 238,080 Ausgabe-Token 4,211 Denk-Token 188,109 Antwortzeit (Durchschnitt) 18.93s Antwortzeit (Gesamt) 435.48s Antwortzeit (Maximum) 104.15s Falsche Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 8.2 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#72#72	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 72.5% Instabile Tests 4 Eingabe-Token 291,368 Ausgabe-Token 13,469 Denk-Token 108,952 Antwortzeit (Durchschnitt) 13.21s Antwortzeit (Gesamt) 303.92s Antwortzeit (Maximum) 54.15s Falsche Antwort: 5 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.9 Programmierung : 10.0 Kombiniert : 6.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 7.3 Rätsellösen : 8.3 Werkzeugaufrufe : 9.8 Allgemeinwissen : 3.0
#65#65	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 7 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 78.3% Instabile Tests 3 Eingabe-Token 254,914 Ausgabe-Token 10,303 Denk-Token 121,928 Antwortzeit (Durchschnitt) 11.81s Antwortzeit (Gesamt) 271.60s Antwortzeit (Maximum) 56.77s Falsche Antwort: 4 Anweisungen nicht befolgt: 3 Agentenaufgaben : 10.0 Anti-KI-Tricks : 9.2 Programmierung : 8.4 Kombiniert : 9.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#105#105	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 8.9 Erfolgsquote pro Versuch 78.3% Instabile Tests 6 Eingabe-Token 237,604 Ausgabe-Token 9,617 Denk-Token 244,190 Antwortzeit (Durchschnitt) 73.02s Antwortzeit (Gesamt) 1679.49s Antwortzeit (Maximum) 485.92s Falsche Antwort: 7 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.7 Programmierung : 7.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 9.8 Rätsellösen : 9.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 2 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 94.2% Instabile Tests 1 Eingabe-Token 235,726 Ausgabe-Token 6,669 Denk-Token 245,867 Antwortzeit (Durchschnitt) 21.57s Antwortzeit (Gesamt) 496.12s Antwortzeit (Maximum) 117.26s Falsche Antwort: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 8.6 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
#275#275	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 49.3% Instabile Tests 7 Eingabe-Token 319,352 Ausgabe-Token 158,447 Denk-Token 875,524 Antwortzeit (Durchschnitt) 84.01s Antwortzeit (Gesamt) 1932.24s Antwortzeit (Maximum) 525.14s Falsche Antwort: 9 Anweisungen nicht befolgt: 4 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 6.1 Anti-KI-Tricks : 6.8 Programmierung : 7.5 Kombiniert : 2.9 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 4.4 Rätsellösen : 5.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#244#244	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 60.9% Instabile Tests 8 Eingabe-Token 292,271 Ausgabe-Token 55,025 Denk-Token 186,071 Antwortzeit (Durchschnitt) 125.76s Antwortzeit (Gesamt) 2137.84s Antwortzeit (Maximum) 566.79s Falsche Antwort: 5 Zeitüberschreitung: 3 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 7.3 Programmierung : 6.1 Kombiniert : 6.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 10.0 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#229#229	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 3 Eingabe-Token 282,192 Ausgabe-Token 75,306 Denk-Token 700,868 Antwortzeit (Durchschnitt) 59.92s Antwortzeit (Gesamt) 1258.32s Antwortzeit (Maximum) 817.57s Falsche Antwort: 6 API-Fehler: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 7.7 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#240#240	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.5% Instabile Tests 2 Eingabe-Token 199,105 Ausgabe-Token 4,274 Denk-Token 195,495 Antwortzeit (Durchschnitt) 11.10s Antwortzeit (Gesamt) 255.26s Antwortzeit (Maximum) 54.48s Falsche Antwort: 6 API-Fehler: 3 Anweisungen nicht befolgt: 2 Agentenaufgaben : 3.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 8.4 Rätsellösen : 7.8 Werkzeugaufrufe : 3.0 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