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)
#176#176	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 6 Eingabe-Token 292,685 Ausgabe-Token 339,108 Denk-Token 0 Antwortzeit (Durchschnitt) 20.72s Antwortzeit (Gesamt) 476.67s Antwortzeit (Maximum) 124.75s Falsche Antwort: 9 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 8.7 Programmierung : 8.2 Kombiniert : 7.3 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.5 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
#178#178	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 1 Eingabe-Token 396,120 Ausgabe-Token 31,386 Denk-Token 0 Antwortzeit (Durchschnitt) 10.78s Antwortzeit (Gesamt) 247.96s Antwortzeit (Maximum) 79.61s Falsche Antwort: 7 Zusätzliche Formatierung: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 5.4 Anti-KI-Tricks : 5.5 Programmierung : 5.9 Kombiniert : 8.3 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
#180#180	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 8 Eingabe-Token 205,100 Ausgabe-Token 8,639 Denk-Token 21,409 Antwortzeit (Durchschnitt) 7.37s Antwortzeit (Gesamt) 169.54s Antwortzeit (Maximum) 74.39s Falsche Antwort: 8 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 7.3 Programmierung : 6.0 Kombiniert : 2.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#181#181	Minimax M3.1 Flashlow	7.1	Minimax	$0.000	14.84s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 1 Eingabe-Token 285,795 Ausgabe-Token 10,087 Denk-Token 86,695 Antwortzeit (Durchschnitt) 14.84s Antwortzeit (Gesamt) 341.25s Antwortzeit (Maximum) 133.79s Falsche Antwort: 9 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 6.5 Programmierung : 5.7 Kombiniert : 7.2 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 6.3 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#182#182	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 6 Eingabe-Token 256,428 Ausgabe-Token 9,786 Denk-Token 575,630 Antwortzeit (Durchschnitt) 54.57s Antwortzeit (Gesamt) 1255.15s Antwortzeit (Maximum) 345.18s Falsche Antwort: 5 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 8.2 Programmierung : 8.4 Kombiniert : 6.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 8.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#183#183	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 69.6% Instabile Tests 7 Eingabe-Token 259,664 Ausgabe-Token 8,414 Denk-Token 333,097 Antwortzeit (Durchschnitt) 49.20s Antwortzeit (Gesamt) 1131.69s Antwortzeit (Maximum) 316.27s Falsche Antwort: 5 Zusätzliche Formatierung: 2 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 6.2 Kombiniert : 8.7 Datenanalyse und -extraktion : 2.7 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 9.9 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#184#184	GPT-5.2 Chatdefault	7.0	OpenAI	$0.594	7.43s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 4 Eingabe-Token 101,104 Ausgabe-Token 10,414 Denk-Token 19,328 Antwortzeit (Durchschnitt) 7.43s Antwortzeit (Gesamt) 163.35s Antwortzeit (Maximum) 38.52s Falsche Antwort: 6 API-Fehler: 2 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.7 Programmierung : 8.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 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
#186#186	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 0 Eingabe-Token 272,221 Ausgabe-Token 12,345 Denk-Token 47,189 Antwortzeit (Durchschnitt) 6.78s Antwortzeit (Gesamt) 155.96s Antwortzeit (Maximum) 54.91s Falsche Antwort: 7 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 9.1 Programmierung : 5.5 Kombiniert : 7.2 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
#187#187	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 5 Eingabe-Token 245,179 Ausgabe-Token 62,697 Denk-Token 196,621 Antwortzeit (Durchschnitt) 81.18s Antwortzeit (Gesamt) 1785.87s Antwortzeit (Maximum) 365.80s Falsche Antwort: 8 Zeitüberschreitung: 2 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 7.3 Programmierung : 7.8 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 5.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#190#190	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 71.0% Instabile Tests 5 Eingabe-Token 251,695 Ausgabe-Token 49,415 Denk-Token 472,775 Antwortzeit (Durchschnitt) 66.96s Antwortzeit (Gesamt) 1539.99s Antwortzeit (Maximum) 519.30s Falsche Antwort: 5 Ungültiger Werkzeugaufruf: 2 Zeitüberschreitung: 2 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 6.0 Kombiniert : 6.4 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#191#191	Grok 4.6low	6.9	X AI	$0.781	16.44s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 1 Eingabe-Token 263,427 Ausgabe-Token 6,006 Denk-Token 36,309 Antwortzeit (Durchschnitt) 16.44s Antwortzeit (Gesamt) 378.14s Antwortzeit (Maximum) 57.97s Falsche Antwort: 8 Agentenaufgaben : 5.0 Anti-KI-Tricks : 10.0 Programmierung : 5.5 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#192#192	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
#193#193	Muse Glimmer 30Blow	6.9	Meta	$0.219 ↓	22.40s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 6 Eingabe-Token 307,228 Ausgabe-Token 36,044 Denk-Token 71,621 Antwortzeit (Durchschnitt) 22.40s Antwortzeit (Gesamt) 515.14s Antwortzeit (Maximum) 234.92s Falsche Antwort: 6 Anweisungen nicht befolgt: 3 Ungültiger Werkzeugaufruf: 2 Keine Antwort: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 8.7 Programmierung : 8.1 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 8.4 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#194#194	Minimax M3.1 Flashmax	6.9	Minimax	$0.000	40.94s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.4% Instabile Tests 6 Eingabe-Token 398,523 Ausgabe-Token 7,992 Denk-Token 303,691 Antwortzeit (Durchschnitt) 40.94s Antwortzeit (Gesamt) 941.68s Antwortzeit (Maximum) 256.57s Falsche Antwort: 8 Ungültiger Werkzeugaufruf: 2 API-Fehler: 1 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.2 Anti-KI-Tricks : 6.4 Programmierung : 10.0 Kombiniert : 6.4 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 5.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#195#195	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.4% Instabile Tests 2 Eingabe-Token 228,023 Ausgabe-Token 10,779 Denk-Token 53,188 Antwortzeit (Durchschnitt) 6.27s Antwortzeit (Gesamt) 144.10s Antwortzeit (Maximum) 47.78s Falsche Antwort: 8 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 9.1 Programmierung : 5.5 Kombiniert : 7.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#197#197	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 3 Eingabe-Token 251,164 Ausgabe-Token 36,112 Denk-Token 241,203 Antwortzeit (Durchschnitt) 78.76s Antwortzeit (Gesamt) 1653.96s Antwortzeit (Maximum) 437.40s Falsche Antwort: 4 API-Fehler: 2 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 4.3 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#198#198	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.5% Instabile Tests 5 Eingabe-Token 202,680 Ausgabe-Token 9,230 Denk-Token 18,771 Antwortzeit (Durchschnitt) 6.96s Antwortzeit (Gesamt) 160.19s Antwortzeit (Maximum) 45.74s Falsche Antwort: 10 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 2.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 8.5 Rätsellösen : 7.6 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
#200#200	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
#201#201	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
#202#202	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 6 Eingabe-Token 349,177 Ausgabe-Token 54,279 Denk-Token 477,389 Antwortzeit (Durchschnitt) 83.68s Antwortzeit (Gesamt) 1840.92s Antwortzeit (Maximum) 515.38s Falsche Antwort: 5 Zeitüberschreitung: 3 API-Fehler: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 10.0 Programmierung : 3.7 Kombiniert : 6.4 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#203#203	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.5% Instabile Tests 4 Eingabe-Token 213,901 Ausgabe-Token 9,623 Denk-Token 12,414 Antwortzeit (Durchschnitt) 6.81s Antwortzeit (Gesamt) 156.70s Antwortzeit (Maximum) 44.24s Falsche Antwort: 8 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 8.3 Programmierung : 5.1 Kombiniert : 2.9 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.4 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#204#204	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 1 Eingabe-Token 397,291 Ausgabe-Token 6,355 Denk-Token 143,752 Antwortzeit (Durchschnitt) 6.66s Antwortzeit (Gesamt) 153.29s Antwortzeit (Maximum) 74.63s Falsche Antwort: 4 API-Fehler: 1 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 3.9 Anti-KI-Tricks : 10.0 Programmierung : 7.8 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 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