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: 2026-07-18 Model Dievaluasi: 206

206/206

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#19#19	Qwen3.6 Max Previewmedium	8.4	Qwen	$1.143 ↓	67.53s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 9.9 Tingkat lulus per percobaan 80.3% Tes tidak stabil 3 Token input 79,240 Token output 5,098 Token penalaran 164,842 Waktu respons (rata-rata) 67.53s Waktu respons (total) 1485.64s Waktu respons (maks) 238.07s Jawaban salah: 5 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 8.8 Gabungan : 7.3 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
#65#65	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.91s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 2 Token input 149,206 Token output 16,797 Token penalaran 0 Waktu respons (rata-rata) 4.91s Waktu respons (total) 108.03s 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
#85#85	Step 3.7 Flashhigh	6.9	Stepfun	$1.207	64.68s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 5 Token input 98,691 Token output 1,032,395 Token penalaran 0 Waktu respons (rata-rata) 64.68s Waktu respons (total) 1423.01s Waktu respons (maks) 364.99s Jawaban salah: 6 Tidak ada jawaban: 4 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 4.0 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 4.1 Kecerdasan umum : 5.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#67#67	Kimi K2.6medium	7.2	Moonshot AI	$1.222 ↑	109.98s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 9.4 Tingkat lulus per percobaan 63.6% Tes tidak stabil 4 Token input 68,902 Token output 111,680 Token penalaran 279,860 Waktu respons (rata-rata) 109.98s Waktu respons (total) 2309.56s 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
#5#5	GPT-5.6 Solhigh	9.4	OpenAI	$1.234	11.73s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 89.4% Tes tidak stabil 3 Token input 79,249 Token output 4,855 Token penalaran 23,044 Waktu respons (rata-rata) 11.73s Waktu respons (total) 257.99s Waktu respons (maks) 54.79s Jawaban salah: 4 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
#6#6	GPT-5.5low	9.3	OpenAI	$1.253	10.13s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 0 Token input 80,058 Token output 5,378 Token penalaran 23,040 Waktu respons (rata-rata) 10.13s Waktu respons (total) 222.82s 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
#4#4	GPT-5.6 Solmedium	9.4	OpenAI	$1.316	11.35s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 90.9% Tes tidak stabil 3 Token input 78,997 Token output 4,696 Token penalaran 26,002 Waktu respons (rata-rata) 11.35s Waktu respons (total) 249.73s Waktu respons (maks) 79.40s Jawaban salah: 4 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
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 2 Token input 142,567 Token output 7,905 Token penalaran 269,225 Waktu respons (rata-rata) 24.97s Waktu respons (total) 549.31s 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
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 90.9% Tes tidak stabil 0 Token input 92,287 Token output 5,232 Token penalaran 92,726 Waktu respons (rata-rata) 21.47s Waktu respons (total) 322.08s 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
#15#15	Claude Opus 4.7medium	8.7	Anthropic	$1.477	7.61s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 1 Token input 145,252 Token output 24,948 Token penalaran 5,042 Waktu respons (rata-rata) 7.61s Waktu respons (total) 159.91s 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
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 4 Token input 81,127 Token output 6,155 Token penalaran 82,515 Waktu respons (rata-rata) 23.10s Waktu respons (total) 508.26s Waktu respons (maks) 100.41s Jawaban salah: 5 Tidak mengikuti instruksi: 2 Trik anti-AI : 8.3 Pemrograman : 8.8 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.7 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#58#58	Qwen3.5-27Bmedium	7.4	Qwen	$1.627 ↑	111.94s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 5 Token input 111,635 Token output 15,999 Token penalaran 598,430 Waktu respons (rata-rata) 111.94s Waktu respons (total) 2462.67s 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 : 5.3 Kecerdasan umum : 6.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#27#27	Muse Spark 1.1high	8.1	Meta	$1.694	31.49s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 69.7% Tes tidak stabil 6 Token input 129,423 Token output 8,077 Token penalaran 352,421 Waktu respons (rata-rata) 31.49s Waktu respons (total) 661.28s Waktu respons (maks) 196.03s Jawaban salah: 4 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 2 Kesalahan API: 1 Tidak ada jawaban: 1 Trik anti-AI : 7.5 Pemrograman : 10.0 Gabungan : 5.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 7.8 Pemanggilan alat : 9.6 Pengetahuan umum : 3.0
#12#12	Grok 4.5high	8.9	X AI	$1.707	76.50s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 2 Token input 151,562 Token output 5,655 Token penalaran 247,540 Waktu respons (rata-rata) 76.50s Waktu respons (total) 1683.07s Waktu respons (maks) 676.83s Tidak ada jawaban: 2 Jawaban salah: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 4.7 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#22#22	Grok 4.5medium	8.3	X AI	$1.928	61.71s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 78.8% Tes tidak stabil 3 Token input 122,146 Token output 5,514 Token penalaran 275,053 Waktu respons (rata-rata) 61.71s Waktu respons (total) 1357.56s Waktu respons (maks) 436.38s Jawaban salah: 6 Trik anti-AI : 10.0 Pemrograman : 7.6 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
#14#14	Claude Opus 4.8medium	8.8	Anthropic	$1.931	12.49s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 84.9% Tes tidak stabil 1 Token input 138,451 Token output 40,766 Token penalaran 9,075 Waktu respons (rata-rata) 12.49s Waktu respons (total) 274.72s Waktu respons (maks) 70.54s Jawaban salah: 3 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 9.9 Parsing dan ekstraksi data : 7.1 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
#2🥈 #2	Gemini 3.5 Flashhigh	9.5	Google	$1.976	15.07s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 93.9% Tes tidak stabil 2 Token input 107,137 Token output 8,777 Token penalaran 192,900 Waktu respons (rata-rata) 15.07s Waktu respons (total) 331.48s Waktu respons (maks) 145.92s Pemanggilan alat tidak valid: 1 Jawaban salah: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 8.2 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 9.8 Pengetahuan umum : 10.0
#139#139	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
Lihat kartu model Total Tes 18 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 56.1% Tes tidak stabil 4 Token input 29,134 Token output 1,984 Token penalaran 1,355,583 Waktu respons (rata-rata) 61.96s Waktu respons (total) 1115.31s Waktu respons (maks) 149.23s Jawaban salah: 4 Tidak mengikuti instruksi: 3 Tidak ada jawaban: 1 Trik anti-AI : 8.7 Pemrograman : 3.3 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 5.0 Kepatuhan instruksi : 7.3 Pemecahan teka-teki : 5.7 Pemanggilan alat : 10.0 Pengetahuan umum : 0.0
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 66.7% Tes tidak stabil 2 Token input 106,292 Token output 80,748 Token penalaran 35,117 Waktu respons (rata-rata) 25.91s Waktu respons (total) 362.78s Waktu respons (maks) 140.96s Jawaban salah: 4 Format tambahan: 3 Kedaluwarsa: 1 Trik anti-AI : 6.5 Pemrograman : 5.7 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
#41#41	Claude Opus 4.8low	7.8	Anthropic	$2.077	12.74s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 80.3% Tes tidak stabil 3 Token input 156,525 Token output 43,141 Token penalaran 8,617 Waktu respons (rata-rata) 12.74s Waktu respons (total) 280.29s Waktu respons (maks) 127.97s Jawaban salah: 4 Format tambahan: 1 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 6.6 Gabungan : 9.9 Parsing dan ekstraksi data : 6.3 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#159#159	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Lihat kartu model Total Tes 16 Tes Salah 3 Keandalan T/A Tingkat lulus per percobaan 59.1% Tes tidak stabil 0 Token input 28,980 Token output 1,283 Token penalaran 1,533,310 Waktu respons (rata-rata) 68.14s Waktu respons (total) 1090.28s Waktu respons (maks) 280.52s Jawaban salah: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 7.5 Pemrograman : 0.0 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 0.0
#43#43	Claude Opus 4.6medium	7.7	Anthropic	$3.059	34.27s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 3 Token input 108,615 Token output 72,286 Token penalaran 28,315 Waktu respons (rata-rata) 34.27s Waktu respons (total) 513.99s Waktu respons (maks) 151.51s Format tambahan: 5 Jawaban salah: 3 Tidak mengikuti instruksi: 1 Trik anti-AI : 6.4 Pemrograman : 5.7 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#33#33	Kimi K3max	8.0	Moonshot AI	$3.112	122.48s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 9.1 Tingkat lulus per percobaan 75.8% Tes tidak stabil 1 Token input 34,916 Token output 2,910 Token penalaran 197,529 Waktu respons (rata-rata) 122.48s Waktu respons (total) 2327.06s Waktu respons (maks) 766.58s Kesalahan API: 2 Kedaluwarsa: 2 Format tambahan: 1 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 6.5 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#17#17	Claude Fable 5medium	8.6	Anthropic	$3.478	17.20s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 78.8% Tes tidak stabil 1 Token input 89,643 Token output 41,360 Token penalaran 10,269 Waktu respons (rata-rata) 17.20s Waktu respons (total) 378.41s Waktu respons (maks) 80.80s Tidak ada jawaban: 2 Jawaban salah: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 6.5 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
#10#10	GPT-5.5medium	9.0	OpenAI	$4.137	38.42s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 87.9% Tes tidak stabil 3 Token input 80,659 Token output 5,617 Token penalaran 118,819 Waktu respons (rata-rata) 38.42s Waktu respons (total) 845.35s Waktu respons (maks) 332.10s Jawaban salah: 4 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
#177#177	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Lihat kartu model Total Tes 18 Tes Salah 10 Keandalan T/A Tingkat lulus per percobaan 48.5% Tes tidak stabil 5 Token input 721,952 Token output 294,668 Token penalaran 305,374 Waktu respons (rata-rata) 9.69s Waktu respons (total) 155.07s Waktu respons (maks) 35.28s Jawaban salah: 4 Kesalahan API: 2 Format tambahan: 2 Tidak mengikuti instruksi: 2 Trik anti-AI : 6.9 Pemrograman : 3.3 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.8 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 6.7 Pemanggilan alat : 3.0 Pengetahuan umum : 0.0

←

1 2 3 4 5 6 7

Perbandingan Cepat

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 UltramediumTersedia gratis Gemini 3 Flash PreviewmediumvsNorth Mini CodemediumTersedia gratis Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

Leaderboard AI Benchy

Filter model

Perbandingan Cepat