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)
#50#50	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 75.8% Tes tidak stabil 3 Token input 145,953 Token output 52,330 Token penalaran 10,874 Waktu respons (rata-rata) 12.54s Waktu respons (total) 275.90s Waktu respons (maks) 66.71s Jawaban salah: 5 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 9.0 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.8 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#42#42	Grok 4.5low	8.4	X AI	$0.945	16.17s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 2 Token input 125,605 Token output 7,505 Token penalaran 107,984 Waktu respons (rata-rata) 16.17s Waktu respons (total) 355.67s Waktu respons (maks) 205.28s Jawaban salah: 6 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#90#90	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 75.8% Tes tidak stabil 6 Token input 111,644 Token output 16,113 Token penalaran 598,796 Waktu respons (rata-rata) 113.28s Waktu respons (total) 2492.26s Waktu respons (maks) 1026.43s Jawaban salah: 4 Tidak mengikuti instruksi: 2 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Kedaluwarsa: 1 Trik anti-AI : 8.7 Pemrograman : 6.2 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 6.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#23#23	GPT-5.3-Codexmedium	8.9	OpenAI	$0.988	16.91s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 4 Token input 81,187 Token output 6,258 Token penalaran 54,116 Waktu respons (rata-rata) 16.91s Waktu respons (total) 372.03s Waktu respons (maks) 100.93s Jawaban salah: 4 Tidak mengikuti instruksi: 2 Trik anti-AI : 8.7 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 4.6 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 9.0 Pemanggilan alat : 10.0 Pengetahuan umum : 2.8
#159#159	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 60.6% Tes tidak stabil 7 Token input 106,176 Token output 33,013 Token penalaran 239,560 Waktu respons (rata-rata) 106.06s Waktu respons (total) 2333.36s Waktu respons (maks) 1085.11s Jawaban salah: 5 Tidak ada jawaban: 3 Pemanggilan alat tidak valid: 2 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.3 Pemrograman : 7.7 Gabungan : 6.7 Parsing dan ekstraksi data : 3.5 Spesifik domain : 2.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#54#54	Inklinghigh	8.0	Thinkingmachines	$1.046	62.57s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 3 Token input 86,755 Token output 6,057 Token penalaran 230,570 Waktu respons (rata-rata) 62.57s Waktu respons (total) 1376.46s Waktu respons (maks) 327.51s Jawaban salah: 4 Pemanggilan alat tidak valid: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 8.5 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 6.9 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#133#133	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 69.7% Tes tidak stabil 3 Token input 13,852 Token output 119,100 Token penalaran 0 Waktu respons (rata-rata) 10.18s Waktu respons (total) 183.29s Waktu respons (maks) 64.36s Kesalahan API: 4 Jawaban salah: 4 Trik anti-AI : 10.0 Pemrograman : 8.8 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 3.0 Pengetahuan umum : 2.8
#28#28	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 1 Token input 134,770 Token output 13,604 Token penalaran 4,388 Waktu respons (rata-rata) 6.99s Waktu respons (total) 153.80s Waktu respons (maks) 30.67s Jawaban salah: 4 Trik anti-AI : 10.0 Pemrograman : 7.8 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#93#93	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 60.6% Tes tidak stabil 1 Token input 106,946 Token output 7,993 Token penalaran 503,413 Waktu respons (rata-rata) 54.50s Waktu respons (total) 1199.07s Waktu respons (maks) 252.69s Jawaban salah: 6 Format tambahan: 3 Trik anti-AI : 8.3 Pemrograman : 5.7 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.4 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#36#36	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 2 Token input 79,249 Token output 5,097 Token penalaran 165,276 Waktu respons (rata-rata) 66.52s Waktu respons (total) 1463.50s Waktu respons (maks) 238.07s Jawaban salah: 4 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 8.8 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#177#177	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.140 ↑	110.84s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 65.2% Tes tidak stabil 6 Token input 130,450 Token output 54,857 Token penalaran 838,606 Waktu respons (rata-rata) 110.84s Waktu respons (total) 2438.58s Waktu respons (maks) 950.25s Kedaluwarsa: 4 Tidak ada jawaban: 3 Jawaban salah: 2 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 5.9 Gabungan : 3.8 Parsing dan ekstraksi data : 7.3 Spesifik domain : 3.5 Kecerdasan umum : 2.8 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#136#136	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 7.3 Tingkat lulus per percobaan 63.6% Tes tidak stabil 7 Token input 76,036 Token output 7,267 Token penalaran 364,176 Waktu respons (rata-rata) 101.05s Waktu respons (total) 2223.19s Waktu respons (maks) 626.58s Kesalahan API: 6 Jawaban salah: 4 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 6.9 Pemrograman : 8.9 Gabungan : 4.7 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.3 Kecerdasan umum : 4.8 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.2 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#17#17	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 3 Token input 106,029 Token output 5,748 Token penalaran 220,354 Waktu respons (rata-rata) 44.32s Waktu respons (total) 975.11s Waktu respons (maks) 556.06s 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 : 4.1 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#109#109	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 2 Token input 149,203 Token output 16,797 Token penalaran 0 Waktu respons (rata-rata) 4.92s Waktu respons (total) 108.24s Waktu respons (maks) 35.03s Jawaban salah: 4 Format tambahan: 3 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 6.5 Pemrograman : 5.5 Gabungan : 9.8 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#43#43	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 4 Token input 105,013 Token output 9,914 Token penalaran 61,338 Waktu respons (rata-rata) 28.51s Waktu respons (total) 456.13s Waktu respons (maks) 116.86s Tidak mengikuti instruksi: 3 Jawaban salah: 3 Tidak ada jawaban: 1 Kedaluwarsa: 1 Trik anti-AI : 6.5 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 3.7 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.5 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#58#58	GLM 5.2high	8.0	Z.ai	$1.188 ↑	69.86s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 69.7% Tes tidak stabil 3 Token input 83,822 Token output 72,040 Token penalaran 292,615 Waktu respons (rata-rata) 69.86s Waktu respons (total) 1536.98s Waktu respons (maks) 599.43s Kedaluwarsa: 3 Tidak ada jawaban: 2 Jawaban salah: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 6.4 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.1 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 6.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#116#116	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 71.2% Tes tidak stabil 4 Token input 124,780 Token output 47,694 Token penalaran 439,825 Waktu respons (rata-rata) 65.67s Waktu respons (total) 1444.68s Waktu respons (maks) 519.30s Jawaban salah: 5 Kedaluwarsa: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 6.0 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 3.4 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#135#135	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 60.6% Tes tidak stabil 4 Token input 98,700 Token output 1,050,900 Token penalaran 0 Waktu respons (rata-rata) 70.10s Waktu respons (total) 1542.14s Waktu respons (maks) 364.99s Jawaban salah: 7 Tidak ada jawaban: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 4.0 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 5.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#110#110	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 4 Token input 68,913 Token output 64,654 Token penalaran 282,865 Waktu respons (rata-rata) 115.89s Waktu respons (total) 2433.66s Waktu respons (maks) 876.20s Kedaluwarsa: 3 Jawaban salah: 3 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 7.0 Pemrograman : 5.7 Gabungan : 6.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 6.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#10#10	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 0 Token input 80,067 Token output 5,378 Token penalaran 23,162 Waktu respons (rata-rata) 10.15s Waktu respons (total) 223.24s Waktu respons (maks) 56.19s Jawaban salah: 3 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#132#132	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 8.6 Tingkat lulus per percobaan 63.6% Tes tidak stabil 5 Token input 81,970 Token output 7,186 Token penalaran 403,389 Waktu respons (rata-rata) 124.18s Waktu respons (total) 2732.03s Waktu respons (maks) 675.30s Kesalahan API: 5 Jawaban salah: 4 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.3 Pemrograman : 6.2 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 4.6 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.8 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#33#33	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 74.2% Tes tidak stabil 4 Token input 123,680 Token output 7,222 Token penalaran 271,442 Waktu respons (rata-rata) 19.67s Waktu respons (total) 432.72s Waktu respons (maks) 142.49s Tidak mengikuti instruksi: 3 Jawaban salah: 3 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 7.3 Pemrograman : 10.0 Gabungan : 8.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 6.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#12#12	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 90.9% Tes tidak stabil 0 Token input 92,296 Token output 5,232 Token penalaran 92,006 Waktu respons (rata-rata) 20.62s Waktu respons (total) 329.94s Waktu respons (maks) 88.68s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 7.9 Gabungan : 9.8 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
#34#34	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 2 Token input 142,147 Token output 7,905 Token penalaran 284,247 Waktu respons (rata-rata) 26.25s Waktu respons (total) 577.47s Waktu respons (maks) 165.38s Jawaban salah: 4 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 8.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 7.9 Pemanggilan alat : 9.8 Pengetahuan umum : 3.0
#31#31	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 1 Token input 145,249 Token output 24,948 Token penalaran 5,042 Waktu respons (rata-rata) 7.62s Waktu respons (total) 159.94s Waktu respons (maks) 65.40s Jawaban salah: 3 Kedaluwarsa: 1 Trik anti-AI : 8.3 Pemrograman : 7.6 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 : 3.0

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