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: 2026-10-01 Bewertete Modelle: 382

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

382/382

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#376#376	Kev 4Bnone	2.4	Jaredpalmer	$0.002	5.63s
Modellkarte anzeigen Gesamttests 12 Falsche Tests 9 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 15.9% Instabile Tests 1 Eingabe-Token 42,804 Ausgabe-Token 28,061 Denk-Token 0 Antwortzeit (Durchschnitt) 5.63s Antwortzeit (Gesamt) 67.61s Antwortzeit (Maximum) 17.79s Falsche Antwort: 9 Agentenaufgaben : 0.0 Anti-KI-Tricks : 2.3 Programmierung : 4.5 Kombiniert : 0.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 1.5 Rätsellösen : 2.0 Werkzeugaufrufe : 0.0 Allgemeinwissen : 0.0
#377#377	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
Modellkarte anzeigen Gesamttests 12 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.1% 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 Agentenaufgaben : 0.0 Anti-KI-Tricks : 10.0 Programmierung : 1.0 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
#378#378	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
Modellkarte anzeigen Gesamttests 1 Falsche Tests 0 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 4.4% Instabile Tests 0 Eingabe-Token 134,050 Ausgabe-Token 1,029 Denk-Token 11,528 Antwortzeit (Durchschnitt) 52.45s Antwortzeit (Gesamt) 52.45s Antwortzeit (Maximum) 52.45s Agentenaufgaben : 10.0 Anti-KI-Tricks : 0.0 Programmierung : 0.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 0.0 Domänenspezifisch : 0.0 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 0.0 Rätsellösen : 0.0 Werkzeugaufrufe : 0.0 Allgemeinwissen : 0.0
#379#379	LFM2-24B-A2Bnone	1.8	Liquid	$0.001	782ms
Modellkarte anzeigen Gesamttests 16 Falsche Tests 14 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 11.6% 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 Agentenaufgaben : 0.0 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
#380#380	Solar Decidenone	1.0	Upstage	$0.009 ↑	6.01s
Modellkarte anzeigen Gesamttests 7 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 14.5% Instabile Tests 3 Eingabe-Token 47,586 Ausgabe-Token 51 Denk-Token 0 Antwortzeit (Durchschnitt) 6.01s Antwortzeit (Gesamt) 42.05s Antwortzeit (Maximum) 13.10s Falsche Antwort: 5 Agentenaufgaben : 0.0 Anti-KI-Tricks : 0.8 Programmierung : 0.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 3.7 Domänenspezifisch : 4.3 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 5.0 Rätsellösen : 1.0 Werkzeugaufrufe : 0.0 Allgemeinwissen : 0.0
#381#381	Tev1 4B Experimentalnone	1.0	Togethercomputer	$0.002	498ms
Modellkarte anzeigen Gesamttests 7 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 13.0% Instabile Tests 0 Eingabe-Token 33,864 Ausgabe-Token 96 Denk-Token 0 Antwortzeit (Durchschnitt) 498ms Antwortzeit (Gesamt) 3.49s Antwortzeit (Maximum) 602ms Falsche Antwort: 4 Agentenaufgaben : 0.0 Anti-KI-Tricks : 2.5 Programmierung : 0.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 6.7 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 1.5 Rätsellösen : 1.7 Werkzeugaufrufe : 0.0 Allgemeinwissen : 0.0
#382#382	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
Modellkarte anzeigen Gesamttests 1 Falsche Tests 0 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 4.4% Instabile Tests 0 Eingabe-Token 73 Ausgabe-Token 735 Denk-Token 0 Antwortzeit (Durchschnitt) 13.58s Antwortzeit (Gesamt) 13.58s Antwortzeit (Maximum) 13.58s Agentenaufgaben : 0.0 Anti-KI-Tricks : 0.0 Programmierung : 0.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 0.0 Domänenspezifisch : 3.3 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 0.0 Rätsellösen : 0.0 Werkzeugaufrufe : 0.0 Allgemeinwissen : 0.0

←

1 15 16

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