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)
#238#238	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 36.2% Instabile Tests 2 Eingabe-Token 405,921 Ausgabe-Token 97,112 Denk-Token 0 Antwortzeit (Durchschnitt) 14.79s Antwortzeit (Gesamt) 340.25s Antwortzeit (Maximum) 212.63s Falsche Antwort: 13 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 10.0 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
#239#239	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 3 Eingabe-Token 233,893 Ausgabe-Token 12,432 Denk-Token 0 Antwortzeit (Durchschnitt) 6.05s Antwortzeit (Gesamt) 102.89s Antwortzeit (Maximum) 57.84s Falsche Antwort: 9 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 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
#242#242	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 8 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 1 Eingabe-Token 106,316 Ausgabe-Token 79,338 Denk-Token 41,089 Antwortzeit (Durchschnitt) 28.08s Antwortzeit (Gesamt) 421.15s Antwortzeit (Maximum) 140.96s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Zeitüberschreitung: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 6.5 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#243#243	Minimax M3.1 Flashxhigh	6.4	Minimax	$0.000	21.71s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 56.5% Instabile Tests 5 Eingabe-Token 318,768 Ausgabe-Token 9,865 Denk-Token 155,441 Antwortzeit (Durchschnitt) 21.71s Antwortzeit (Gesamt) 499.37s Antwortzeit (Maximum) 87.61s Falsche Antwort: 9 Anweisungen nicht befolgt: 2 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 6.5 Programmierung : 6.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 4.9 Rätsellösen : 7.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#245#245	Beam 1.0 501B A23Blow	6.4	Reflection	$0.432	4.89s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 6 Eingabe-Token 218,076 Ausgabe-Token 4,863 Denk-Token 66,387 Antwortzeit (Durchschnitt) 4.89s Antwortzeit (Gesamt) 112.55s Antwortzeit (Maximum) 29.49s Falsche Antwort: 6 API-Fehler: 3 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.5 Befolgung von Anweisungen : 8.4 Rätsellösen : 6.1 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#247#247	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 1 Eingabe-Token 230,004 Ausgabe-Token 18,040 Denk-Token 0 Antwortzeit (Durchschnitt) 4.67s Antwortzeit (Gesamt) 107.45s Antwortzeit (Maximum) 49.23s Falsche Antwort: 7 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 6.5 Programmierung : 5.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#248#248	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 63.8% Instabile Tests 7 Eingabe-Token 253,462 Ausgabe-Token 40,269 Denk-Token 185,716 Antwortzeit (Durchschnitt) 56.72s Antwortzeit (Gesamt) 1304.54s Antwortzeit (Maximum) 333.34s Falsche Antwort: 4 Zusätzliche Formatierung: 3 Anweisungen nicht befolgt: 2 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 4.7 Anti-KI-Tricks : 10.0 Programmierung : 6.2 Kombiniert : 6.9 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 9.9 Rätsellösen : 6.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#249#249	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 59.4% Instabile Tests 7 Eingabe-Token 255,887 Ausgabe-Token 154,879 Denk-Token 603,518 Antwortzeit (Durchschnitt) 70.48s Antwortzeit (Gesamt) 1620.93s Antwortzeit (Maximum) 480.52s Falsche Antwort: 9 Keine Antwort: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 8.7 Programmierung : 5.8 Kombiniert : 6.9 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 8.3 Rätsellösen : 5.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#250#250	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 6 Eingabe-Token 260,850 Ausgabe-Token 125,908 Denk-Token 516,424 Antwortzeit (Durchschnitt) 66.13s Antwortzeit (Gesamt) 1520.96s Antwortzeit (Maximum) 417.36s Falsche Antwort: 8 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 10.0 Programmierung : 5.9 Kombiniert : 6.9 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 7.9 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#251#251	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
#252#252	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
#253#253	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 47.8% Instabile Tests 6 Eingabe-Token 250,919 Ausgabe-Token 20,816 Denk-Token 0 Antwortzeit (Durchschnitt) 12.71s Antwortzeit (Gesamt) 292.29s Antwortzeit (Maximum) 156.31s Falsche Antwort: 11 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 2 Agentenaufgaben : 10.0 Anti-KI-Tricks : 3.8 Programmierung : 5.5 Kombiniert : 3.2 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 5.2 Befolgung von Anweisungen : 6.2 Rätsellösen : 5.3 Werkzeugaufrufe : 9.5 Allgemeinwissen : 3.0
#254#254	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 66.7% Instabile Tests 6 Eingabe-Token 275,779 Ausgabe-Token 14,401 Denk-Token 25,511 Antwortzeit (Durchschnitt) 4.79s Antwortzeit (Gesamt) 110.24s Antwortzeit (Maximum) 53.91s Falsche Antwort: 9 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 9.0 Programmierung : 4.3 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 4.7
#255#255	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 0 Eingabe-Token 309,715 Ausgabe-Token 16,170 Denk-Token 422,721 Antwortzeit (Durchschnitt) 19.04s Antwortzeit (Gesamt) 437.98s Antwortzeit (Maximum) 309.35s Falsche Antwort: 7 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 8.3 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#256#256	Minimax M3.1 Flashmedium	6.3	Minimax	$0.000	19.52s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 9 Eingabe-Token 363,168 Ausgabe-Token 10,380 Denk-Token 132,146 Antwortzeit (Durchschnitt) 19.52s Antwortzeit (Gesamt) 449.04s Antwortzeit (Maximum) 181.80s Falsche Antwort: 9 Anweisungen nicht befolgt: 3 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Keine Antwort: 1 Agentenaufgaben : 7.4 Anti-KI-Tricks : 6.4 Programmierung : 5.5 Kombiniert : 7.2 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 4.1 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 4.8 Rätsellösen : 7.8 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#257#257	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 10 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 2 Eingabe-Token 312,368 Ausgabe-Token 9,429 Denk-Token 416,147 Antwortzeit (Durchschnitt) 19.02s Antwortzeit (Gesamt) 437.38s Antwortzeit (Maximum) 318.02s Falsche Antwort: 9 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.0 Anti-KI-Tricks : 7.3 Programmierung : 5.5 Kombiniert : 3.2 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#258#258	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 6 Eingabe-Token 209,002 Ausgabe-Token 24,675 Denk-Token 377,528 Antwortzeit (Durchschnitt) 128.91s Antwortzeit (Gesamt) 2965.04s Antwortzeit (Maximum) 491.07s Falsche Antwort: 6 Anweisungen nicht befolgt: 3 API-Fehler: 1 Zusätzliche Formatierung: 1 Keine Antwort: 1 Agentenaufgaben : 2.8 Anti-KI-Tricks : 8.7 Programmierung : 5.7 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 7.9 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#259#259	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 52.2% Instabile Tests 3 Eingabe-Token 346,064 Ausgabe-Token 53,060 Denk-Token 0 Antwortzeit (Durchschnitt) 20.07s Antwortzeit (Gesamt) 341.27s Antwortzeit (Maximum) 183.50s Falsche Antwort: 11 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 5.2 Anti-KI-Tricks : 4.8 Programmierung : 4.3 Kombiniert : 6.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#261#261	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 60.9% Instabile Tests 3 Eingabe-Token 108,573 Ausgabe-Token 69,994 Denk-Token 26,728 Antwortzeit (Durchschnitt) 32.23s Antwortzeit (Gesamt) 515.65s Antwortzeit (Maximum) 151.51s Zusätzliche Formatierung: 4 Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Agentenaufgaben : 0.0 Anti-KI-Tricks : 6.4 Programmierung : 5.7 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#262#262	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 55.1% Instabile Tests 5 Eingabe-Token 267,840 Ausgabe-Token 192,115 Denk-Token 0 Antwortzeit (Durchschnitt) 32.88s Antwortzeit (Gesamt) 756.28s Antwortzeit (Maximum) 197.32s Falsche Antwort: 11 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 6.1 Anti-KI-Tricks : 5.2 Programmierung : 5.4 Kombiniert : 3.8 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#263#263	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 62.3% Instabile Tests 7 Eingabe-Token 306,662 Ausgabe-Token 17,819 Denk-Token 125,341 Antwortzeit (Durchschnitt) 70.08s Antwortzeit (Gesamt) 1611.86s Antwortzeit (Maximum) 376.10s Falsche Antwort: 6 API-Fehler: 2 Zeitüberschreitung: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.2 Programmierung : 6.0 Kombiniert : 7.3 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#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
#265#265	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 30.4% Instabile Tests 4 Eingabe-Token 403,455 Ausgabe-Token 100,227 Denk-Token 15,364 Antwortzeit (Durchschnitt) 38.64s Antwortzeit (Gesamt) 888.69s Antwortzeit (Maximum) 247.27s Falsche Antwort: 13 Zusätzliche Formatierung: 2 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Agentenaufgaben : 10.0 Anti-KI-Tricks : 3.0 Programmierung : 4.2 Kombiniert : 4.6 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.2 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#266#266	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
Modellkarte anzeigen Gesamttests 23 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 58.0% Instabile Tests 5 Eingabe-Token 392,127 Ausgabe-Token 7,754 Denk-Token 294,333 Antwortzeit (Durchschnitt) 36.73s Antwortzeit (Gesamt) 844.68s Antwortzeit (Maximum) 199.66s Falsche Antwort: 7 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Agentenaufgaben : 3.0 Anti-KI-Tricks : 8.2 Programmierung : 6.3 Kombiniert : 8.7 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 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