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: 2026-10-02 Model Dievaluasi: 387

Model rekomendasi

GPT-6.1 Sol xhigh Cerdas Tingkat lulus per percobaan 97.1% Tes benar 22 / 23 Skor 9.9/10 Gemini 3.7 Flash low Cepat Waktu respons (rata-rata) 6.24s Total token output 38,453 Skor 9.4/10 GPT-6 Luna high Terjangkau Harga input $0.100 / 1M Harga output $0.500 / 1M Harga baca cache $0.010 / 1M Harga tulis cache $0.125 / 1M Skor 7.7/10

387/387

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#36#36	Paretonone	9.1	Unbiased	$1.520	33.47s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 87.0% Tes tidak stabil 2 Token input 223,559 Token output 128,144 Token penalaran 0 Waktu respons (rata-rata) 33.47s Waktu respons (total) 769.84s Waktu respons (maks) 143.33s Jawaban salah: 3 Pemanggilan alat tidak valid: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 7.2 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 2.8
#37#37	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
Lihat kartu model Total Tes 23 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 79.7% Tes tidak stabil 3 Token input 246,954 Token output 8,378 Token penalaran 698,942 Waktu respons (rata-rata) 170.52s Waktu respons (total) 3922.04s Waktu respons (maks) 584.71s Jawaban salah: 4 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Tugas agen : 10.0 Trik anti-AI : 8.2 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#35#35	Muse Spark 1.3high	9.1	Meta	$1.891	52.87s
Lihat kartu model Total Tes 23 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 78.3% Tes tidak stabil 2 Token input 257,320 Token output 14,459 Token penalaran 354,683 Waktu respons (rata-rata) 52.87s Waktu respons (total) 1216.04s Waktu respons (maks) 251.53s Jawaban salah: 3 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 8.7 Pemanggilan alat : 9.6 Pengetahuan umum : 3.0
#34#34	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
Lihat kartu model Total Tes 23 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 84.1% Tes tidak stabil 4 Token input 222,794 Token output 7,357 Token penalaran 58,930 Waktu respons (rata-rata) 18.87s Waktu respons (total) 433.94s Waktu respons (maks) 100.93s Jawaban salah: 4 Tidak mengikuti instruksi: 2 Tugas agen : 10.0 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
#33#33	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Lihat kartu model Total Tes 23 Tes Salah 5 Keandalan 9.8 Tingkat lulus per percobaan 87.0% Tes tidak stabil 3 Token input 328,637 Token output 8,619 Token penalaran 432,733 Waktu respons (rata-rata) 186.06s Waktu respons (total) 4279.49s Waktu respons (maks) 912.78s Jawaban salah: 2 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Kedaluwarsa: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#32#32	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
Lihat kartu model Total Tes 23 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 81.2% Tes tidak stabil 1 Token input 276,512 Token output 8,152 Token penalaran 96,444 Waktu respons (rata-rata) 27.34s Waktu respons (total) 628.75s Waktu respons (maks) 126.60s Jawaban salah: 4 Pemanggilan alat tidak valid: 1 Tugas agen : 10.0 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
#31#31	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
Lihat kartu model Total Tes 23 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 82.6% Tes tidak stabil 2 Token input 484,627 Token output 11,026 Token penalaran 747,681 Waktu respons (rata-rata) 84.26s Waktu respons (total) 1937.91s Waktu respons (maks) 488.39s Tidak ada jawaban: 3 Tidak mengikuti instruksi: 2 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.1 Kepatuhan instruksi : 8.5 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#30#30	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 88.4% Tes tidak stabil 3 Token input 180,959 Token output 6,472 Token penalaran 123,635 Waktu respons (rata-rata) 39.86s Waktu respons (total) 916.82s Waktu respons (maks) 332.10s Jawaban salah: 4 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 8.8 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 : 2.8
#29#29	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
Lihat kartu model Total Tes 23 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 89.9% Tes tidak stabil 1 Token input 290,117 Token output 9,805 Token penalaran 22,322 Waktu respons (rata-rata) 25.85s Waktu respons (total) 594.63s Waktu respons (maks) 90.20s Jawaban salah: 2 Tidak ada jawaban: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 8.4 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
#28#28	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
Lihat kartu model Total Tes 23 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 81.2% Tes tidak stabil 2 Token input 241,855 Token output 8,387 Token penalaran 600,946 Waktu respons (rata-rata) 161.25s Waktu respons (total) 3708.70s Waktu respons (maks) 739.98s Jawaban salah: 3 Tidak ada jawaban: 2 Tugas agen : 10.0 Trik anti-AI : 8.2 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#27#27	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 84.1% Tes tidak stabil 1 Token input 356,605 Token output 26,715 Token penalaran 17,041 Waktu respons (rata-rata) 13.24s Waktu respons (total) 304.46s Waktu respons (maks) 78.80s Jawaban salah: 3 Tidak ada jawaban: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#26#26	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 82.6% Tes tidak stabil 0 Token input 376,421 Token output 67,688 Token penalaran 37,974 Waktu respons (rata-rata) 25.31s Waktu respons (total) 582.11s Waktu respons (maks) 159.01s Jawaban salah: 2 Format tambahan: 1 Tidak ada jawaban: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 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
#25#25	Gemini 3.7 Flashlow	9.4	Google	$0.183	6.24s
Lihat kartu model Total Tes 23 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 95.7% Tes tidak stabil 2 Token input 188,519 Token output 7,694 Token penalaran 30,759 Waktu respons (rata-rata) 6.24s Waktu respons (total) 143.56s Waktu respons (maks) 58.75s Jawaban salah: 2 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 7.6 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
#24#24	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 87.0% Tes tidak stabil 2 Token input 319,095 Token output 10,371 Token penalaran 32,411 Waktu respons (rata-rata) 27.55s Waktu respons (total) 633.73s Waktu respons (maks) 95.95s Jawaban salah: 2 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Tugas agen : 10.0 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 : 10.0 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#23#23	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 88.4% Tes tidak stabil 2 Token input 308,056 Token output 9,434 Token penalaran 15,572 Waktu respons (rata-rata) 25.68s Waktu respons (total) 590.71s Waktu respons (maks) 89.16s Jawaban salah: 2 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#22#22	GPT-5.5low	9.5	OpenAI	$1.822	11.91s
Lihat kartu model Total Tes 23 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 87.0% Tes tidak stabil 0 Token input 177,939 Token output 6,283 Token penalaran 24,782 Waktu respons (rata-rata) 11.91s Waktu respons (total) 273.82s Waktu respons (maks) 56.19s Jawaban salah: 3 Tugas agen : 10.0 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
#21#21	GPT-5.6 Solhigh	9.5	OpenAI	$1.595 ↑	13.59s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 89.9% Tes tidak stabil 3 Token input 195,567 Token output 5,841 Token penalaran 26,230 Waktu respons (rata-rata) 13.59s Waktu respons (total) 312.61s Waktu respons (maks) 59.99s Jawaban salah: 4 Tugas agen : 10.0 Trik anti-AI : 8.7 Pemrograman : 10.0 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 : 4.7
#20#20	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
Lihat kartu model Total Tes 23 Tes Salah 3 Keandalan 9.9 Tingkat lulus per percobaan 91.3% Tes tidak stabil 2 Token input 165,464 Token output 5,591 Token penalaran 15,454 Waktu respons (rata-rata) 9.90s Waktu respons (total) 227.67s Waktu respons (maks) 73.48s Jawaban salah: 3 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 2.8
#18#18	GPT-6 Solmedium	9.5	OpenAI	$0.703	12.12s
Lihat kartu model Total Tes 23 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 94.2% Tes tidak stabil 1 Token input 194,520 Token output 5,396 Token penalaran 25,991 Waktu respons (rata-rata) 12.12s Waktu respons (total) 278.70s Waktu respons (maks) 82.74s Jawaban salah: 2 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 8.2 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
#19#19	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 91.3% Tes tidak stabil 3 Token input 191,341 Token output 5,665 Token penalaran 32,340 Waktu respons (rata-rata) 14.57s Waktu respons (total) 335.16s Waktu respons (maks) 79.40s Jawaban salah: 4 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 4.7
#17#17	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
Lihat kartu model Total Tes 23 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 94.2% Tes tidak stabil 1 Token input 202,347 Token output 6,660 Token penalaran 68,002 Waktu respons (rata-rata) 8.16s Waktu respons (total) 187.58s Waktu respons (maks) 58.39s Jawaban salah: 2 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 8.4 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
#16#16	GPT-6.1 Sollow	9.6	OpenAI	$0.460	7.15s
Lihat kartu model Total Tes 23 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 92.8% Tes tidak stabil 1 Token input 163,900 Token output 4,958 Token penalaran 8,180 Waktu respons (rata-rata) 7.15s Waktu respons (total) 164.47s Waktu respons (maks) 46.57s Jawaban salah: 2 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 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 : 2.8
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
Lihat kartu model Total Tes 23 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 94.2% Tes tidak stabil 1 Token input 235,726 Token output 6,669 Token penalaran 245,867 Waktu respons (rata-rata) 21.57s Waktu respons (total) 496.12s Waktu respons (maks) 117.26s Jawaban salah: 2 Tugas agen : 10.0 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
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
Lihat kartu model Total Tes 23 Tes Salah 2 Keandalan 9.9 Tingkat lulus per percobaan 91.3% Tes tidak stabil 0 Token input 159,023 Token output 4,935 Token penalaran 6,454 Waktu respons (rata-rata) 7.01s Waktu respons (total) 161.20s Waktu respons (maks) 49.16s Jawaban salah: 2 Tugas agen : 10.0 Trik anti-AI : 10.0 Pemrograman : 10.0 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
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
Lihat kartu model Total Tes 23 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 87.0% Tes tidak stabil 2 Token input 191,653 Token output 5,473 Token penalaran 17,084 Waktu respons (rata-rata) 11.13s Waktu respons (total) 256.08s Waktu respons (maks) 57.11s Jawaban salah: 4 Tugas agen : 10.0 Trik anti-AI : 8.3 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0

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 3.8 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