AI BENCHY

KI-Benchmark-Bestenliste

Name: AI BENCHY Modell-Benchmark-Ergebnisse
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks aus AI BENCHY-Test-Suites generiert am: 2026-05-10 Bewertete Modelle: 144

144/144

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#121#121	gpt-oss-120bnone	5.2	OpenAI	$0.011	21.86s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 36.8% Instabile Tests 3 Ausgabe-Token 51,505 Denk-Token 0 Antwortzeit (Durchschnitt) 21.86s Antwortzeit (Gesamt) 349.78s Antwortzeit (Maximum) 113.71s Falsche Antwort: 8 API-Fehler: 3 Anweisungen nicht befolgt: 3 Anti-KI-Tricks : 6.5 Programmierung : 4.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 9.8 Rätsellösen : 4.4 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#122#122	DeepSeek V4 Flashnone	5.2	DeepSeek	$0.008	28.01s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 31.6% Instabile Tests 2 Ausgabe-Token 4,464 Denk-Token 0 Antwortzeit (Durchschnitt) 28.01s Antwortzeit (Gesamt) 532.17s Antwortzeit (Maximum) 111.96s Falsche Antwort: 10 Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 1 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.0 Programmierung : 6.3 Kombiniert : 4.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.2 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#123#123	Qwen3 Coder Nextnone	5.2	Qwen	$0.008	9.44s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 29.8% Instabile Tests 1 Ausgabe-Token 3,629 Denk-Token 0 Antwortzeit (Durchschnitt) 9.44s Antwortzeit (Gesamt) 122.73s Antwortzeit (Maximum) 45.14s Falsche Antwort: 12 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 3.6 Programmierung : 7.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#124#124	Nemotron 3 Supernone	5.2	NVIDIA	$0.002	5.80s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 35.1% Instabile Tests 3 Ausgabe-Token 6,145 Denk-Token 0 Antwortzeit (Durchschnitt) 5.80s Antwortzeit (Gesamt) 110.20s Antwortzeit (Maximum) 16.45s Falsche Antwort: 12 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 4.8 Programmierung : 3.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 6.3 Rätsellösen : 5.5 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#125#125	MiniMax M2.7medium	5.1	Minimax	$0.095	30.62s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 49.1% Instabile Tests 10 Ausgabe-Token 8,052 Denk-Token 66,239 Antwortzeit (Durchschnitt) 30.62s Antwortzeit (Gesamt) 551.14s Antwortzeit (Maximum) 117.04s Falsche Antwort: 7 Anweisungen nicht befolgt: 5 Zeitüberschreitung: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 7.9 Programmierung : 10.0 Kombiniert : 4.7 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 3.9 Befolgung von Anweisungen : 3.8 Rätsellösen : 3.5 Werkzeugaufrufe : 4.7 Allgemeinwissen : 3.0
#126#126	Mistral Small 4none	5.1	Mistral	$0.006	651ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 29.8% Instabile Tests 1 Ausgabe-Token 2,224 Denk-Token 0 Antwortzeit (Durchschnitt) 651ms Antwortzeit (Gesamt) 12.37s Antwortzeit (Maximum) 1.72s Falsche Antwort: 13 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 3.4 Programmierung : 4.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#127#127	GPT-5.4 Mininone	5.0	OpenAI	$0.032	1.18s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 33.3% Instabile Tests 3 Ausgabe-Token 2,461 Denk-Token 0 Antwortzeit (Durchschnitt) 1.18s Antwortzeit (Gesamt) 22.34s Antwortzeit (Maximum) 2.52s Falsche Antwort: 11 Anweisungen nicht befolgt: 3 Anti-KI-Tricks : 3.1 Programmierung : 10.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 6.3 Rätsellösen : 5.4 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#128#128	Qwen3.6 35B A3Bnone	5.0	Qwen	$0.019	2.73s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 13 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 37.3% Instabile Tests 5 Ausgabe-Token 17,515 Denk-Token 0 Antwortzeit (Durchschnitt) 2.73s Antwortzeit (Gesamt) 46.41s Antwortzeit (Maximum) 12.46s Falsche Antwort: 11 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 3.6 Programmierung : 10.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.2 Rätsellösen : 3.2 Werkzeugaufrufe : 0.0 Allgemeinwissen : 3.0
#129#129	GPT-4o-mininone	4.9	OpenAI	$0.005	1.90s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 14 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.3% Instabile Tests 0 Ausgabe-Token 1,962 Denk-Token 0 Antwortzeit (Durchschnitt) 1.90s Antwortzeit (Gesamt) 22.79s Antwortzeit (Maximum) 7.58s Falsche Antwort: 13 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 4.8 Programmierung : 3.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.5 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#130#130	MiMo-V2.5none	4.9	Xiaomi	$0.019	2.02s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 28.1% Instabile Tests 2 Ausgabe-Token 2,231 Denk-Token 0 Antwortzeit (Durchschnitt) 2.02s Antwortzeit (Gesamt) 38.45s Antwortzeit (Maximum) 6.86s Falsche Antwort: 12 Anweisungen nicht befolgt: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 3.5 Programmierung : 10.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 4.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#131#131	Qwen3 Coder Nextmedium	4.8	Qwen	$0.008	9.95s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 31.6% Instabile Tests 3 Ausgabe-Token 3,253 Denk-Token 0 Antwortzeit (Durchschnitt) 9.95s Antwortzeit (Gesamt) 129.40s Antwortzeit (Maximum) 81.80s Falsche Antwort: 11 Anweisungen nicht befolgt: 3 Zeitüberschreitung: 1 Anti-KI-Tricks : 3.5 Programmierung : 4.7 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.3 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#132#132	Trinity Large Previewnone	4.8	Arcee AI	$0.001	3.03s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.3% Instabile Tests 3 Ausgabe-Token 2,190 Denk-Token 0 Antwortzeit (Durchschnitt) 3.03s Antwortzeit (Gesamt) 57.60s Antwortzeit (Maximum) 14.34s Falsche Antwort: 12 Anweisungen nicht befolgt: 3 Anti-KI-Tricks : 3.1 Programmierung : 4.9 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.5 Befolgung von Anweisungen : 3.4 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#133#133	Mercury 2none	4.7	Inception	$0.007	610ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.3% Instabile Tests 2 Ausgabe-Token 1,644 Denk-Token 0 Antwortzeit (Durchschnitt) 610ms Antwortzeit (Gesamt) 11.59s Antwortzeit (Maximum) 1.27s Falsche Antwort: 14 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 3.0 Programmierung : 3.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.8 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#134#134	Qwen3.5-9Bnone	4.7	Qwen	$0.005	1.51s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 22.8% Instabile Tests 1 Ausgabe-Token 3,957 Denk-Token 0 Antwortzeit (Durchschnitt) 1.51s Antwortzeit (Gesamt) 28.75s Antwortzeit (Maximum) 5.91s Falsche Antwort: 12 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.1 Programmierung : 5.2 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.1 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#135#135	Hy3 previewnone	4.6	Tencent	$0.000	12.96s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.3% Instabile Tests 2 Ausgabe-Token 2,654 Denk-Token 0 Antwortzeit (Durchschnitt) 12.96s Antwortzeit (Gesamt) 233.26s Antwortzeit (Maximum) 35.84s Falsche Antwort: 8 Anweisungen nicht befolgt: 4 API-Fehler: 2 Zusätzliche Formatierung: 1 Anti-KI-Tricks : 4.8 Programmierung : 2.3 Kombiniert : 3.0 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
#136#136	Nemotron 3 Nano Omni 30b A3b Reasoningnone	4.6	NVIDIA	$0.000	726ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 11 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 25.6% Instabile Tests 2 Ausgabe-Token 1,267 Denk-Token 0 Antwortzeit (Durchschnitt) 726ms Antwortzeit (Gesamt) 9.44s Antwortzeit (Maximum) 2.21s Falsche Antwort: 10 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 5.3 Programmierung : 10.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 3.8 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 4.3 Rätsellösen : 3.0 Werkzeugaufrufe : 0.0 Allgemeinwissen : 0.0
#137#137	GPT-5.4 Nanonone	4.5	OpenAI	$0.010	1.36s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 31.6% Instabile Tests 6 Ausgabe-Token 2,783 Denk-Token 0 Antwortzeit (Durchschnitt) 1.36s Antwortzeit (Gesamt) 25.91s Antwortzeit (Maximum) 3.84s Falsche Antwort: 14 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 3.5 Programmierung : 7.1 Kombiniert : 3.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 3.8 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#138#138	GLM 4.7 Flashmedium	4.5	Z.ai	$0.046	30.57s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 36.8% Instabile Tests 8 Ausgabe-Token 39,759 Denk-Token 73,598 Antwortzeit (Durchschnitt) 30.57s Antwortzeit (Gesamt) 366.78s Antwortzeit (Maximum) 174.55s Falsche Antwort: 9 Anweisungen nicht befolgt: 2 Keine Antwort: 2 Ungültiger Werkzeugaufruf: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 4.7 Programmierung : 3.6 Kombiniert : 2.8 Datenanalyse und -extraktion : 6.3 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 3.6 Befolgung von Anweisungen : 6.2 Rätsellösen : 2.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#139#139	MiMo-V2-Flashnone	4.5	Xiaomi	$0.023	2.73s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 26.3% Instabile Tests 5 Ausgabe-Token 68,534 Denk-Token 0 Antwortzeit (Durchschnitt) 2.73s Antwortzeit (Gesamt) 40.90s Antwortzeit (Maximum) 19.68s Falsche Antwort: 13 API-Fehler: 1 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 3.2 Programmierung : 6.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 2.9 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 6.5 Rätsellösen : 3.6 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#140#140	Ling-2.6-1Tnone	4.5	Inclusionai	$0.000	8.79s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 15 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 16.7% Instabile Tests 0 Ausgabe-Token 2,434 Denk-Token 0 Antwortzeit (Durchschnitt) 8.79s Antwortzeit (Gesamt) 158.19s Antwortzeit (Maximum) 25.72s Falsche Antwort: 12 Anweisungen nicht befolgt: 2 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 3.4 Programmierung : 5.5 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 5.0 Befolgung von Anweisungen : 6.4 Rätsellösen : 3.1 Werkzeugaufrufe : 3.0 Allgemeinwissen : 0.0
#141#141	Grok 4.1 Fastnone	4.4	X AI	$0.009	1.67s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 16 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 22.8% Instabile Tests 3 Ausgabe-Token 1,733 Denk-Token 0 Antwortzeit (Durchschnitt) 1.67s Antwortzeit (Gesamt) 20.08s Antwortzeit (Maximum) 5.51s Falsche Antwort: 13 Anweisungen nicht befolgt: 3 Anti-KI-Tricks : 3.2 Programmierung : 5.3 Kombiniert : 3.0 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
#142#142	Qwen3.5-9Bmedium	4.3	Qwen	$0.035	80.10s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 16 Zuverlässigkeit 3.3 Erfolgsquote pro Versuch 33.3% Instabile Tests 7 Ausgabe-Token 27,365 Denk-Token 202,291 Antwortzeit (Durchschnitt) 80.10s Antwortzeit (Gesamt) 1281.62s Antwortzeit (Maximum) 226.38s Zeitüberschreitung: 10 Falsche Antwort: 3 Zusätzliche Formatierung: 1 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Anti-KI-Tricks : 5.1 Programmierung : 2.6 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.6 Domänenspezifisch : 3.6 Allgemeine Intelligenz : 2.8 Befolgung von Anweisungen : 6.4 Rätsellösen : 2.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#143#143	LFM2-24B-A2Bnone	4.2	Liquid	$0.001	811ms
Modellkarte anzeigen Gesamttests 16 Falsche Tests 14 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 18.8% Instabile Tests 2 Ausgabe-Token 1,185 Denk-Token 0 Antwortzeit (Durchschnitt) 811ms Antwortzeit (Gesamt) 11.35s Antwortzeit (Maximum) 2.88s Falsche Antwort: 8 API-Fehler: 4 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 3.3 Kombiniert : 3.0 Datenanalyse und -extraktion : 3.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.0 Befolgung von Anweisungen : 6.3 Rätsellösen : 3.7 Werkzeugaufrufe : 3.0
#144#144	Granite 4.1 8Bnone	4.1	IBM Granite	$0.003	743ms
Modellkarte anzeigen Gesamttests 19 Falsche Tests 17 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 10.5% Instabile Tests 0 Ausgabe-Token 2,724 Denk-Token 0 Antwortzeit (Durchschnitt) 743ms Antwortzeit (Gesamt) 14.11s Antwortzeit (Maximum) 2.17s Falsche Antwort: 12 Anweisungen nicht befolgt: 4 Ungültiger Werkzeugaufruf: 1 Anti-KI-Tricks : 4.9 Programmierung : 6.9 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

Schnellvergleich

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsQwen3.6 Max Previewmedium Gemini 3 Flash PreviewmediumvsRing 2.6 1tmediumKostenlos verfügbar Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsGPT-5.5medium GPT-5.5mediumvsGPT-5.5low GPT-5.5lowvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsQwen3.6 Max Previewmedium

KI-Benchmark-Bestenliste

Modelle filtern

Schnellvergleich