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: 2026-09-18 Model Dievaluasi: 330

Model rekomendasi

GPT-6 Astra xhigh Cerdas Tingkat lulus per percobaan 97.0% Tes benar 21 / 22 Skor 9.9/10 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 $0.060 / 1M Harga output $0.120 / 1M Skor 8.0/10

330/330

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#36#36	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 84.9% Tes tidak stabil 2 Token input 87,826 Token output 2,239 Token penalaran 32,956 Waktu respons (rata-rata) 5.76s Waktu respons (total) 126.71s Waktu respons (maks) 53.55s Jawaban salah: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 7.8 Gabungan : 8.2 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 : 10.0
#12#12	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 93.9% Tes tidak stabil 1 Token input 89,055 Token output 5,697 Token penalaran 58,880 Waktu respons (rata-rata) 5.87s Waktu respons (total) 129.20s Waktu respons (maks) 30.23s Jawaban salah: 2 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
#284#284	Nemotron 3 Supernone	4.8	NVIDIA	$0.008 ↑	6.04s
Lihat kartu model Total Tes 22 Tes Salah 17 Keandalan 9.2 Tingkat lulus per percobaan 27.3% Tes tidak stabil 2 Token input 63,528 Token output 6,432 Token penalaran 0 Waktu respons (rata-rata) 6.04s Waktu respons (total) 132.96s Waktu respons (maks) 20.00s Jawaban salah: 15 Tidak mengikuti instruksi: 2 Trik anti-AI : 4.8 Pemrograman : 3.3 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 4.6 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 5.5 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#196#196	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 40.9% Tes tidak stabil 4 Token input 161,032 Token output 22,508 Token penalaran 0 Waktu respons (rata-rata) 6.05s Waktu respons (total) 132.99s Waktu respons (maks) 33.39s Jawaban salah: 8 Format tambahan: 4 Tidak ada jawaban: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 5.3 Pemrograman : 4.6 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.7 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 6.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#210#210	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 39.4% Tes tidak stabil 1 Token input 39,886 Token output 1,890 Token penalaran 0 Waktu respons (rata-rata) 6.19s Waktu respons (total) 136.23s Waktu respons (maks) 118.00s Jawaban salah: 13 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.0 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 5.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#175#175	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 53.0% Tes tidak stabil 3 Token input 100,255 Token output 6,422 Token penalaran 49,847 Waktu respons (rata-rata) 6.30s Waktu respons (total) 138.60s Waktu respons (maks) 17.26s Jawaban salah: 6 Tidak mengikuti instruksi: 4 Pemanggilan alat tidak valid: 2 Trik anti-AI : 10.0 Pemrograman : 7.8 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.3 Kepatuhan instruksi : 8.5 Pemecahan teka-teki : 5.8 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#120#120	Gemini 3 Flash Previewlow	7.4	Google	$0.185	6.51s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 75.8% Tes tidak stabil 2 Token input 123,687 Token output 9,572 Token penalaran 31,204 Waktu respons (rata-rata) 6.51s Waktu respons (total) 143.12s Waktu respons (maks) 17.13s Jawaban salah: 6 Trik anti-AI : 10.0 Pemrograman : 5.8 Gabungan : 3.0 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 : 10.0
#106#106	GPT 5.3 Chatnone	7.5	OpenAI	$0.533	6.56s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 65.2% Tes tidak stabil 4 Token input 78,846 Token output 28,179 Token penalaran 0 Waktu respons (rata-rata) 6.56s Waktu respons (total) 137.77s Waktu respons (maks) 18.33s Jawaban salah: 6 Tidak mengikuti instruksi: 2 Kesalahan API: 1 Trik anti-AI : 6.7 Pemrograman : 5.6 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.6 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#311#311	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
Lihat kartu model Total Tes 19 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 6 Token input 39,481 Token output 54,218 Token penalaran 0 Waktu respons (rata-rata) 6.73s Waktu respons (total) 100.98s Waktu respons (maks) 29.11s Jawaban salah: 6 Kesalahan API: 4 Tidak ada jawaban: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.9 Pemrograman : 2.1 Gabungan : 1.5 Parsing dan ekstraksi data : 7.1 Spesifik domain : 4.1 Kecerdasan umum : 3.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 5.3 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#231#231	GLM 5.1none	5.7	Z.ai	$0.164 ↓	6.74s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 5 Token input 124,219 Token output 14,393 Token penalaran 0 Waktu respons (rata-rata) 6.74s Waktu respons (total) 148.20s Waktu respons (maks) 61.20s Jawaban salah: 12 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 4.0 Pemrograman : 3.9 Gabungan : 2.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#223#223	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 54.6% Tes tidak stabil 3 Token input 129,150 Token output 10,643 Token penalaran 0 Waktu respons (rata-rata) 6.84s Waktu respons (total) 150.46s Waktu respons (maks) 55.92s Jawaban salah: 11 Tidak ada jawaban: 1 Trik anti-AI : 4.8 Pemrograman : 4.5 Gabungan : 3.8 Parsing dan ekstraksi data : 7.1 Spesifik domain : 7.7 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#87#87	GPT-5.6 Terramedium	7.8	OpenAI	$0.523 ↓	6.85s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 69.7% Tes tidak stabil 2 Token input 79,184 Token output 4,878 Token penalaran 25,471 Waktu respons (rata-rata) 6.85s Waktu respons (total) 150.65s Waktu respons (maks) 41.68s Jawaban salah: 8 Trik anti-AI : 8.3 Pemrograman : 6.1 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.5 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.4 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#41#41	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
#116#116	GPT-5.6 Lunamedium	7.4	OpenAI	$0.072 ↓	7.43s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 62.1% Tes tidak stabil 2 Token input 89,685 Token output 5,701 Token penalaran 38,824 Waktu respons (rata-rata) 7.43s Waktu respons (total) 163.54s Waktu respons (maks) 29.85s Jawaban salah: 9 Trik anti-AI : 8.3 Pemrograman : 5.4 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.1 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.8 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#238#238	Gemma 4 26B A4Bnone	5.6	Google	$0.017 ↓	7.58s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 1 Token input 131,257 Token output 15,781 Token penalaran 0 Waktu respons (rata-rata) 7.58s Waktu respons (total) 166.82s Waktu respons (maks) 57.10s Jawaban salah: 9 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Kedaluwarsa: 1 Trik anti-AI : 8.3 Pemrograman : 3.7 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 6.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#44#44	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
#102#102	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 57.6% Tes tidak stabil 1 Token input 185,547 Token output 24,866 Token penalaran 0 Waktu respons (rata-rata) 7.65s Waktu respons (total) 168.35s Waktu respons (maks) 47.72s Jawaban salah: 6 Format tambahan: 2 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 5.5 Pemrograman : 5.9 Gabungan : 8.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#121#121	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
#80#80	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 69.7% Tes tidak stabil 4 Token input 101,104 Token output 29,742 Token penalaran 0 Waktu respons (rata-rata) 7.73s Waktu respons (total) 162.40s Waktu respons (maks) 38.52s Jawaban salah: 6 Kesalahan API: 1 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.7 Pemrograman : 8.8 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 4.4 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#184#184	Qwen3.6 Max Previewnone	6.4	Qwen	$0.228 ↓	7.82s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 9.9 Tingkat lulus per percobaan 56.1% Tes tidak stabil 2 Token input 106,348 Token output 19,257 Token penalaran 0 Waktu respons (rata-rata) 7.82s Waktu respons (total) 172.04s Waktu respons (maks) 102.62s Jawaban salah: 11 Trik anti-AI : 5.2 Pemrograman : 3.8 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.3 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#14#14	GPT-6 Astramedium	9.4	OpenAI	$1.774	8.08s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 9.9 Tingkat lulus per percobaan 90.9% Tes tidak stabil 2 Token input 79,264 Token output 4,789 Token penalaran 14,838 Waktu respons (rata-rata) 8.08s Waktu respons (total) 177.70s Waktu respons (maks) 73.48s Jawaban salah: 3 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
#27#27	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
#260#260	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.59s
Lihat kartu model Total Tes 22 Tes Salah 18 Keandalan 10.0 Tingkat lulus per percobaan 18.2% Tes tidak stabil 0 Token input 106,423 Token output 11,555 Token penalaran 0 Waktu respons (rata-rata) 8.59s Waktu respons (total) 163.20s Waktu respons (maks) 25.72s Jawaban salah: 12 Kesalahan API: 3 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.4 Pemrograman : 3.8 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 3.1 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#270#270	Qwen3 Coder Nextnone	5.1	Qwen	$0.026 ↑	8.63s
Lihat kartu model Total Tes 22 Tes Salah 17 Keandalan 10.0 Tingkat lulus per percobaan 25.8% Tes tidak stabil 1 Token input 134,227 Token output 11,808 Token penalaran 0 Waktu respons (rata-rata) 8.63s Waktu respons (total) 146.72s Waktu respons (maks) 45.14s Jawaban salah: 14 Format tambahan: 1 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 3.6 Pemrograman : 4.6 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#241#241	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.65s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 9.6 Tingkat lulus per percobaan 45.5% Tes tidak stabil 3 Token input 51,369 Token output 8,008 Token penalaran 58,568 Waktu respons (rata-rata) 8.65s Waktu respons (total) 190.35s Waktu respons (maks) 48.19s Jawaban salah: 10 Kesalahan API: 1 Format tambahan: 1 Tidak mengikuti instruksi: 1 Kedaluwarsa: 1 Trik anti-AI : 8.7 Pemrograman : 3.6 Gabungan : 6.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 3.6 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 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium