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: 2026-08-15 Bewertete Modelle: 287

Empfohlene Modelle

GPT-5.6 Sol high Intelligent Erfolgsquote pro Versuch 89.4% Korrekte Tests 18 / 22 Punktzahl 9.4/10 GPT-5.6 Luna medium Schnell Antwortzeit (Durchschnitt) 7.43s Gesamte Ausgabe-Token 44,525 Punktzahl 7.4/10 DeepSeek V4 Flash 0731 high Preiswert Eingabepreis $0.140 / 1M Ausgabepreis $0.280 / 1M Punktzahl 8.0/10

287/287

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#271#271	Hy3 previewnone	4.0	Tencent	$0.007 ↕	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
#272#272	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
Modellkarte anzeigen Gesamttests 21 Falsche Tests 17 Zuverlässigkeit 6.7 Erfolgsquote pro Versuch 24.2% Instabile Tests 4 Eingabe-Token 36,851 Ausgabe-Token 68,882 Denk-Token 0 Antwortzeit (Durchschnitt) 2.76s Antwortzeit (Gesamt) 46.99s Antwortzeit (Maximum) 19.68s Falsche Antwort: 13 Anweisungen nicht befolgt: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 3.2 Programmierung : 4.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 2.9 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#273#273	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 20 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 9.1% Instabile Tests 0 Eingabe-Token 184,579 Ausgabe-Token 110,071 Denk-Token 0 Antwortzeit (Durchschnitt) 14.02s Antwortzeit (Gesamt) 294.46s Antwortzeit (Maximum) 240.61s Falsche Antwort: 13 Anweisungen nicht befolgt: 4 API-Fehler: 1 Zusätzliche Formatierung: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 4.8 Programmierung : 4.2 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.4 Befolgung von Anweisungen : 3.1 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#274#274	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 20 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 9.1% Instabile Tests 0 Eingabe-Token 113,836 Ausgabe-Token 5,996 Denk-Token 0 Antwortzeit (Durchschnitt) 1.44s Antwortzeit (Gesamt) 31.75s Antwortzeit (Maximum) 16.67s Falsche Antwort: 13 Anweisungen nicht befolgt: 4 Ungültiger Werkzeugaufruf: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 4.9 Programmierung : 4.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 3.6 Rätsellösen : 3.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#275#275	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.009 ↕	1.21s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 16.7% Instabile Tests 2 Eingabe-Token 74,074 Ausgabe-Token 2,731 Denk-Token 0 Antwortzeit (Durchschnitt) 1.21s Antwortzeit (Gesamt) 26.62s Antwortzeit (Maximum) 6.30s Falsche Antwort: 16 Ungültiger Werkzeugaufruf: 2 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 4.8 Programmierung : 3.1 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 2.8 Allgemeinwissen : 3.0
#276#276	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 12 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 43.9% Instabile Tests 4 Eingabe-Token 11,793 Ausgabe-Token 267,275 Denk-Token 0 Antwortzeit (Durchschnitt) 28.69s Antwortzeit (Gesamt) 459.00s Antwortzeit (Maximum) 138.35s Falsche Antwort: 7 API-Fehler: 3 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 8.7 Programmierung : 3.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 3.8 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.3 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.4 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#277#277	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 24.2% Instabile Tests 3 Eingabe-Token 115,314 Ausgabe-Token 133,965 Denk-Token 816,718 Antwortzeit (Durchschnitt) 75.68s Antwortzeit (Gesamt) 1589.20s Antwortzeit (Maximum) 345.15s Keine Antwort: 7 Falsche Antwort: 6 Anweisungen nicht befolgt: 3 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.4 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.8 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 6.8 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#278#278	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 19.7% Instabile Tests 1 Eingabe-Token 99,662 Ausgabe-Token 146,555 Denk-Token 732,977 Antwortzeit (Durchschnitt) 66.16s Antwortzeit (Gesamt) 1389.33s Antwortzeit (Maximum) 252.08s Keine Antwort: 7 Falsche Antwort: 5 Anweisungen nicht befolgt: 4 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.5 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.8 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.1 Befolgung von Anweisungen : 6.6 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#279#279	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 19.7% Instabile Tests 3 Eingabe-Token 36,608 Ausgabe-Token 1,723 Denk-Token 0 Antwortzeit (Durchschnitt) 1.62s Antwortzeit (Gesamt) 19.48s Antwortzeit (Maximum) 5.51s Falsche Antwort: 13 Anweisungen nicht befolgt: 3 Anti-KI-Tricks : 3.2 Programmierung : 1.8 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 3.0 Rätsellösen : 3.0 Werkzeugaufrufe : 2.8 Allgemeinwissen : 3.0
#280#280	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 19 Zuverlässigkeit 6.0 Erfolgsquote pro Versuch 25.8% Instabile Tests 5 Eingabe-Token 17,195 Ausgabe-Token 46,735 Denk-Token 366,707 Antwortzeit (Durchschnitt) 107.51s Antwortzeit (Gesamt) 1720.15s Antwortzeit (Maximum) 569.97s Zeitüberschreitung: 11 Keine Antwort: 3 Falsche Antwort: 2 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 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
#281#281	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
Modellkarte anzeigen Gesamttests 22 Falsche Tests 18 Zuverlässigkeit 9.6 Erfolgsquote pro Versuch 24.2% Instabile Tests 3 Eingabe-Token 103,898 Ausgabe-Token 148,304 Denk-Token 774,972 Antwortzeit (Durchschnitt) 68.08s Antwortzeit (Gesamt) 1429.66s Antwortzeit (Maximum) 262.20s Keine Antwort: 7 Falsche Antwort: 5 Anweisungen nicht befolgt: 4 API-Fehler: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 6.5 Programmierung : 2.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.7 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.8 Befolgung von Anweisungen : 6.8 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#282#282	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 22.7% Instabile Tests 0 Eingabe-Token 33,675 Ausgabe-Token 2,826 Denk-Token 0 Antwortzeit (Durchschnitt) 806ms Antwortzeit (Gesamt) 12.09s Antwortzeit (Maximum) 2.01s Falsche Antwort: 8 API-Fehler: 4 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.0 Programmierung : 8.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 5.3 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#283#283	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 33.3% Instabile Tests 2 Eingabe-Token 9,081 Ausgabe-Token 51,664 Denk-Token 0 Antwortzeit (Durchschnitt) 21.61s Antwortzeit (Gesamt) 345.79s Antwortzeit (Maximum) 113.71s Falsche Antwort: 8 API-Fehler: 3 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 6.5 Programmierung : 1.5 Kombiniert : 1.5 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 6.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#284#284	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
#285#285	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	NVIDIA	$0.000	728ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 15.2% Instabile Tests 2 Eingabe-Token 11,661 Ausgabe-Token 1,302 Denk-Token 0 Antwortzeit (Durchschnitt) 728ms Antwortzeit (Gesamt) 9.47s Antwortzeit (Maximum) 2.21s Falsche Antwort: 9 API-Fehler: 6 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 4.8 Programmierung : 3.3 Kombiniert : 1.5 Datenanalyse und -extraktion : 3.8 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 3.0 Befolgung von Anweisungen : 4.8 Rätsellösen : 3.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#286#286	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
Modellkarte anzeigen Gesamttests 12 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 27.3% Instabile Tests 0 Eingabe-Token 1,971 Ausgabe-Token 64,795 Denk-Token 0 Antwortzeit (Durchschnitt) 39.03s Antwortzeit (Gesamt) 312.26s Antwortzeit (Maximum) 114.12s API-Fehler: 4 Anweisungen nicht befolgt: 1 Falsche Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 9.8 Kombiniert : 1.5 Datenanalyse und -extraktion : 1.5 Domänenspezifisch : 3.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 5.0 Rätsellösen : 0.0 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#287#287	LFM2-24B-A2Bnone	2.2	Liquid	$0.001	782ms
Modellkarte anzeigen Gesamttests 16 Falsche Tests 14 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 12.1% Instabile Tests 1 Eingabe-Token 10,771 Ausgabe-Token 1,173 Denk-Token 0 Antwortzeit (Durchschnitt) 782ms Antwortzeit (Gesamt) 10.94s Antwortzeit (Maximum) 3.15s Falsche Antwort: 9 API-Fehler: 4 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 2.5 Programmierung : 0.0 Kombiniert : 1.5 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.8 Werkzeugaufrufe : 3.0 Allgemeinwissen : 0.0

←

1 9 10

Schnellvergleich

Gemini 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy Bestenliste

Empfohlene Modelle

Modelle filtern

Schnellvergleich