Leaderboard AI Benchy

Name: Hasil Benchmark Model AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmark dihasilkan dari suite pengujian AI BENCHY pada: 2026-09-02 Model Dievaluasi: 305

Model rekomendasi

GPT-5.6 Sol high Cerdas Tingkat lulus per percobaan 89.4% Tes benar 18 / 22 Skor 9.4/10 GPT-5.6 Luna medium Cepat Waktu respons (rata-rata) 7.43s Total token output 44,525 Skor 7.4/10 DeepSeek V4 Flash 0731 high Terjangkau Harga input $0.065 / 1M Harga output $0.180 / 1M Skor 8.0/10

305/305

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#188#188	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 47.0% Tes tidak stabil 5 Token input 122,854 Token output 119,810 Token penalaran 698,549 Waktu respons (rata-rata) 96.61s Waktu respons (total) 2125.51s Waktu respons (maks) 540.96s Jawaban salah: 7 Kesalahan API: 2 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 2 Tidak ada jawaban: 1 Trik anti-AI : 8.3 Pemrograman : 5.3 Gabungan : 5.2 Parsing dan ekstraksi data : 7.3 Spesifik domain : 2.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 4.4 Pemecahan teka-teki : 6.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#49#49	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 71.2% Tes tidak stabil 1 Token input 132,507 Token output 12,739 Token penalaran 228,626 Waktu respons (rata-rata) 21.14s Waktu respons (total) 465.10s Waktu respons (maks) 140.50s Jawaban salah: 6 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.4 Pemrograman : 7.8 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 4.8 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#2🥈 #2	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 95.5% Tes tidak stabil 2 Token input 86,712 Token output 6,017 Token penalaran 148,829 Waktu respons (rata-rata) 12.22s Waktu respons (total) 268.78s Waktu respons (maks) 91.63s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.8 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#153#153	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 0 Token input 110,196 Token output 14,717 Token penalaran 397,462 Waktu respons (rata-rata) 16.67s Waktu respons (total) 366.69s Waktu respons (maks) 309.35s Jawaban salah: 6 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.3 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 4.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#40#40	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 3 Token input 101,811 Token output 8,025 Token penalaran 115,938 Waktu respons (rata-rata) 9.77s Waktu respons (total) 214.83s Waktu respons (maks) 47.80s Jawaban salah: 4 Tidak mengikuti instruksi: 3 Trik anti-AI : 9.2 Pemrograman : 8.4 Gabungan : 9.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#102#102	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 57.6% Tes tidak stabil 1 Token input 123,273 Token output 19,362 Token penalaran 0 Waktu respons (rata-rata) 7.67s Waktu respons (total) 122.78s Waktu respons (maks) 51.18s Jawaban salah: 5 Format tambahan: 4 Tidak mengikuti instruksi: 1 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 9.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 6.1 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#19#19	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 1 Token input 69,756 Token output 2,166 Token penalaran 60,007 Waktu respons (rata-rata) 8.48s Waktu respons (total) 186.57s Waktu respons (maks) 76.68s Jawaban salah: 3 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 7.9 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#156#156	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 57.6% Tes tidak stabil 2 Token input 85,148 Token output 61,736 Token penalaran 681,556 Waktu respons (rata-rata) 58.49s Waktu respons (total) 1169.83s Waktu respons (maks) 817.57s Jawaban salah: 5 Kesalahan API: 2 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 7.7 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.4 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#47#47	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 71.2% Tes tidak stabil 4 Token input 141,878 Token output 11,033 Token penalaran 105,456 Waktu respons (rata-rata) 11.89s Waktu respons (total) 261.69s Waktu respons (maks) 54.15s Jawaban salah: 5 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 7.9 Pemrograman : 10.0 Gabungan : 6.6 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 7.3 Pemecahan teka-teki : 8.3 Pemanggilan alat : 9.8 Pengetahuan umum : 3.0
#198#198	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
Lihat kartu model Total Tes 21 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 53.0% Tes tidak stabil 3 Token input 37,007 Token output 1,952 Token penalaran 357,306 Waktu respons (rata-rata) 41.16s Waktu respons (total) 823.26s Waktu respons (maks) 299.23s Jawaban salah: 5 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 2 Kesalahan API: 1 Format tambahan: 1 Trik anti-AI : 10.0 Pemrograman : 3.3 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.4 Kepatuhan instruksi : 8.3 Pemecahan teka-teki : 5.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#96#96	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.687 ↓	80.09s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 5 Token input 72,085 Token output 57,453 Token penalaran 182,093 Waktu respons (rata-rata) 80.09s Waktu respons (total) 1681.85s Waktu respons (maks) 365.80s Jawaban salah: 6 Kedaluwarsa: 3 Kesalahan API: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 7.3 Pemrograman : 7.8 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.7 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 5.9 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
Lihat kartu model Total Tes 22 Tes Salah 1 Keandalan 10.0 Tingkat lulus per percobaan 98.5% Tes tidak stabil 1 Token input 71,470 Token output 3,276 Token penalaran 168,709 Waktu respons (rata-rata) 16.81s Waktu respons (total) 369.88s Waktu respons (maks) 104.15s Jawaban salah: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 8.2 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#83#83	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.701 ↕	33.62s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 9.8 Tingkat lulus per percobaan 66.7% Tes tidak stabil 3 Token input 233,415 Token output 54,384 Token penalaran 130,021 Waktu respons (rata-rata) 33.62s Waktu respons (total) 739.59s Waktu respons (maks) 392.56s Jawaban salah: 7 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 8.4 Gabungan : 6.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 3.7 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.5 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#37#37	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 80.3% Tes tidak stabil 3 Token input 99,181 Token output 6,132 Token penalaran 77,689 Waktu respons (rata-rata) 21.83s Waktu respons (total) 480.37s Waktu respons (maks) 155.75s Jawaban salah: 5 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 8.4 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 9.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#123#123	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 8.1 Tingkat lulus per percobaan 65.2% Tes tidak stabil 4 Token input 82,592 Token output 16,089 Token penalaran 199,800 Waktu respons (rata-rata) 58.80s Waktu respons (total) 1234.72s Waktu respons (maks) 308.75s Jawaban salah: 4 Tidak ada jawaban: 2 Kedaluwarsa: 2 Kesalahan API: 1 Format tambahan: 1 Trik anti-AI : 10.0 Pemrograman : 4.6 Gabungan : 9.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 8.2 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#120#120	Grok 4.3medium	7.0	X AI	$0.741	44.21s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 66.7% Tes tidak stabil 5 Token input 140,244 Token output 13,739 Token penalaran 212,165 Waktu respons (rata-rata) 44.21s Waktu respons (total) 972.64s Waktu respons (maks) 216.69s Jawaban salah: 6 Tidak mengikuti instruksi: 2 Format tambahan: 1 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 5.9 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 5.4 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#134#134	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 66.7% Tes tidak stabil 5 Token input 129,050 Token output 20,026 Token penalaran 616,923 Waktu respons (rata-rata) 44.97s Waktu respons (total) 989.32s Waktu respons (maks) 578.13s Jawaban salah: 8 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 5.0 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.8 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#190#190	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
Lihat kartu model Total Tes 18 Tes Salah 4 Keandalan T/A Tingkat lulus per percobaan 66.7% Tes tidak stabil 1 Token input 35,955 Token output 1,647 Token penalaran 91,565 Waktu respons (rata-rata) 9.75s Waktu respons (total) 175.48s Waktu respons (maks) 31.36s Jawaban salah: 3 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.7 Pemrograman : 3.3 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 3.0 Pengetahuan umum : 0.0
#183#183	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 48.5% Tes tidak stabil 6 Token input 118,486 Token output 156,166 Token penalaran 860,619 Waktu respons (rata-rata) 85.44s Waktu respons (total) 1879.75s Waktu respons (maks) 525.14s Jawaban salah: 8 Tidak mengikuti instruksi: 4 Pemanggilan alat tidak valid: 2 Trik anti-AI : 6.8 Pemrograman : 7.5 Gabungan : 2.9 Parsing dan ekstraksi data : 6.3 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 4.4 Pemecahan teka-teki : 5.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#5#5	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 93.9% Tes tidak stabil 1 Token input 87,870 Token output 5,486 Token penalaran 234,122 Waktu respons (rata-rata) 19.86s Waktu respons (total) 436.88s Waktu respons (maks) 117.26s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 8.6 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#76#76	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 8.5 Tingkat lulus per percobaan 77.3% Tes tidak stabil 6 Token input 85,657 Token output 8,142 Token penalaran 233,167 Waktu respons (rata-rata) 72.24s Waktu respons (total) 1589.31s Waktu respons (maks) 485.92s Jawaban salah: 6 Kesalahan API: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.7 Pemrograman : 7.0 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 4.1 Kecerdasan umum : 6.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 9.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#21#21	Qwen3.8 Maxmedium	9.0	Qwen	$0.771	23.34s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 80.3% Tes tidak stabil 1 Token input 109,055 Token output 6,566 Token penalaran 85,481 Waktu respons (rata-rata) 23.34s Waktu respons (total) 513.47s Waktu respons (maks) 126.60s Jawaban salah: 4 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#92#92	GPT-5.4 Minimedium	7.5	OpenAI	$0.786	26.72s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 68.2% Tes tidak stabil 5 Token input 97,164 Token output 6,211 Token penalaran 152,133 Waktu respons (rata-rata) 26.72s Waktu respons (total) 587.90s Waktu respons (maks) 138.75s Jawaban salah: 6 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.6 Pemrograman : 8.4 Gabungan : 6.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 4.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.8 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#126#126	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 60.6% Tes tidak stabil 5 Token input 102,986 Token output 5,860 Token penalaran 264,399 Waktu respons (rata-rata) 32.56s Waktu respons (total) 716.36s Waktu respons (maks) 199.66s Jawaban salah: 6 Format tambahan: 2 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.2 Pemrograman : 6.3 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 3.9 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#60#60	GPT-5.6 Terrahigh	8.0	OpenAI	$0.836 ↓	11.22s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 68.2% Tes tidak stabil 2 Token input 81,056 Token output 5,055 Token penalaran 51,033 Waktu respons (rata-rata) 11.22s Waktu respons (total) 246.77s Waktu respons (maks) 91.49s Jawaban salah: 7 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.3 Pemrograman : 7.6 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0

←

1 9 10 11 13

→

Tren benchmark global

Lihat bagaimana model saat ini menyeimbangkan skor, biaya, kecepatan, panjang output, dan kekuatan per kategori.

Grafik →

Frontier Pareto: kecerdasan vs biaya

Perkembangan skor terbaik perusahaan terdepan

Frontier Pareto: kecerdasan vs kecepatan respons

Frontier Pareto Skor vs Token Output

Tingkat kesulitan kategori lintas model

Perbandingan Cepat

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