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: 308

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

308/308

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#143#143	GLM 5.3low	6.8	Z.ai	$0.257	13.65s
Lihat kartu model Total Tes 22 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 65.2% Tes tidak stabil 4 Token input 104,989 Token output 8,532 Token penalaran 16,276 Waktu respons (rata-rata) 13.65s Waktu respons (total) 300.22s Waktu respons (maks) 83.60s Jawaban salah: 8 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.9 Pemrograman : 6.2 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#69#69	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 78.8% Tes tidak stabil 6 Token input 103,916 Token output 8,892 Token penalaran 87,343 Waktu respons (rata-rata) 5.12s Waktu respons (total) 112.73s Waktu respons (maks) 26.41s Jawaban salah: 6 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 7.9 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 4.1 Kecerdasan umum : 4.7 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 2.8
#67#67	Qwen3.7 Plusmedium	7.9	Qwen	$0.277 ↓	53.51s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 75.8% Tes tidak stabil 3 Token input 115,242 Token output 6,163 Token penalaran 181,174 Waktu respons (rata-rata) 53.51s Waktu respons (total) 1177.25s Waktu respons (maks) 315.30s Jawaban salah: 5 Pemanggilan alat tidak valid: 1 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 6.1 Gabungan : 8.2 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#194#194	GPT-5.6 Terranone	6.0	OpenAI	$0.280 ↓	1.66s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 42.4% Tes tidak stabil 3 Token input 102,268 Token output 6,221 Token penalaran 0 Waktu respons (rata-rata) 1.66s Waktu respons (total) 36.54s Waktu respons (maks) 10.07s Jawaban salah: 11 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 2.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 8.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 9.6 Pengetahuan umum : 3.0
#215#215	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.283 ↑	12.93s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 33.3% Tes tidak stabil 2 Token input 241,575 Token output 88,459 Token penalaran 0 Waktu respons (rata-rata) 12.93s Waktu respons (total) 284.39s Waktu respons (maks) 212.63s Jawaban salah: 13 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 4.8 Pemrograman : 3.7 Gabungan : 5.2 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.8 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#46#46	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 9.6 Tingkat lulus per percobaan 77.3% Tes tidak stabil 2 Token input 100,179 Token output 904 Token penalaran 655,731 Waktu respons (rata-rata) 167.89s Waktu respons (total) 3693.54s Waktu respons (maks) 640.85s Tidak mengikuti instruksi: 2 Tidak ada jawaban: 2 Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 8.1 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#150#150	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 60.6% Tes tidak stabil 1 Token input 100,762 Token output 16,454 Token penalaran 0 Waktu respons (rata-rata) 2.65s Waktu respons (total) 58.21s Waktu respons (maks) 25.26s Jawaban salah: 6 Pemanggilan alat tidak valid: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 6.5 Pemrograman : 5.6 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#89#89	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 9.7 Tingkat lulus per percobaan 62.1% Tes tidak stabil 5 Token input 121,996 Token output 90,051 Token penalaran 185,731 Waktu respons (rata-rata) 75.15s Waktu respons (total) 1578.24s Waktu respons (maks) 431.03s Jawaban salah: 4 Kedaluwarsa: 3 Tidak mengikuti instruksi: 2 Format tambahan: 1 Tidak ada jawaban: 1 Trik anti-AI : 5.5 Pemrograman : 6.1 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.2 Kecerdasan umum : 5.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#8#8	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
#116#116	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 9.6 Tingkat lulus per percobaan 63.6% Tes tidak stabil 2 Token input 42,106 Token output 2,280 Token penalaran 169,843 Waktu respons (rata-rata) 46.97s Waktu respons (total) 986.35s Waktu respons (maks) 189.38s Jawaban salah: 8 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 6.2 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.9 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#82#82	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
Lihat kartu model Total Tes 21 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 71.2% Tes tidak stabil 4 Token input 35,593 Token output 12,245 Token penalaran 62,277 Waktu respons (rata-rata) 23.00s Waktu respons (total) 482.97s Waktu respons (maks) 194.23s Jawaban salah: 4 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 8.2 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#281#281	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
Lihat kartu model Total Tes 22 Tes Salah 17 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 9 Token input 142,621 Token output 20,409 Token penalaran 251,820 Waktu respons (rata-rata) 69.08s Waktu respons (total) 1036.24s Waktu respons (maks) 251.36s Jawaban salah: 7 Kedaluwarsa: 4 Tidak mengikuti instruksi: 3 Tidak ada jawaban: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 7.9 Pemrograman : 3.4 Gabungan : 3.7 Parsing dan ekstraksi data : 4.6 Spesifik domain : 2.9 Kecerdasan umum : 3.8 Kepatuhan instruksi : 7.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#173#173	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
Lihat kartu model Total Tes 21 Tes Salah 9 Keandalan 9.6 Tingkat lulus per percobaan 69.7% Tes tidak stabil 5 Token input 40,961 Token output 2,518 Token penalaran 81,801 Waktu respons (rata-rata) 22.16s Waktu respons (total) 443.22s Waktu respons (maks) 136.29s Jawaban salah: 5 Kesalahan API: 1 Format tambahan: 1 Tidak mengikuti instruksi: 1 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 6.0 Gabungan : 2.3 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 6.4 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#5#5	GPT-5.6 Sollow	9.5	OpenAI	$0.357 ↓	9.04s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 2 Token input 78,580 Token output 4,476 Token penalaran 15,470 Waktu respons (rata-rata) 9.04s Waktu respons (total) 198.97s Waktu respons (maks) 53.91s Jawaban salah: 4 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
#61#61	Inklingmedium	8.0	Thinkingmachines	$0.383	15.66s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 75.8% Tes tidak stabil 4 Token input 124,062 Token output 12,190 Token penalaran 51,652 Waktu respons (rata-rata) 15.66s Waktu respons (total) 344.52s Waktu respons (maks) 85.12s Jawaban salah: 4 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.7 Pemrograman : 8.4 Gabungan : 7.3 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 : 2.8
#195#195	Gemini 3 PRO Previewmedium	6.0	Google	$0.385 ↑	9.05s
Lihat kartu model Total Tes 21 Tes Salah 7 Keandalan T/A Tingkat lulus per percobaan 63.6% Tes tidak stabil 0 Token input 28,848 Token output 1,490 Token penalaran 10,102 Waktu respons (rata-rata) 9.05s Waktu respons (total) 90.53s Waktu respons (maks) 26.24s Kesalahan API: 4 Jawaban salah: 3 Trik anti-AI : 10.0 Pemrograman : 3.0 Gabungan : 1.5 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 : 10.0 Pengetahuan umum : 3.0
#121#121	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 5 Token input 103,842 Token output 320,393 Token penalaran 0 Waktu respons (rata-rata) 17.87s Waktu respons (total) 393.04s Waktu respons (maks) 124.75s Jawaban salah: 9 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.7 Pemrograman : 8.2 Gabungan : 7.3 Parsing dan ekstraksi data : 7.3 Spesifik domain : 2.9 Kecerdasan umum : 3.4 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.5 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#206#206	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 34.9% Tes tidak stabil 2 Token input 108,641 Token output 8,339 Token penalaran 0 Waktu respons (rata-rata) 2.08s Waktu respons (total) 45.75s Waktu respons (maks) 15.63s Jawaban salah: 14 Tidak mengikuti instruksi: 1 Trik anti-AI : 3.2 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.4 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 5.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#48#48	Inkling Smallhigh	8.4	Thinkingmachines	$0.398 ↓	30.43s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 69.7% Tes tidak stabil 2 Token input 85,669 Token output 6,092 Token penalaran 292,801 Waktu respons (rata-rata) 30.43s Waktu respons (total) 669.38s Waktu respons (maks) 122.60s Jawaban salah: 6 Tidak mengikuti instruksi: 2 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 9.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.3 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 4.8 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#107#107	KAT-Coder-Pro V2.5low	7.3	Kwaipilot	$0.400	20.20s
Lihat kartu model Total Tes 22 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 68.2% Tes tidak stabil 8 Token input 87,682 Token output 7,166 Token penalaran 106,027 Waktu respons (rata-rata) 20.20s Waktu respons (total) 444.35s Waktu respons (maks) 209.15s Jawaban salah: 10 Kesalahan API: 1 Trik anti-AI : 6.9 Pemrograman : 7.8 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 4.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 6.4 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#106#106	GLM 5.3high	7.3	Z.ai	$0.403	27.82s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 74.2% Tes tidak stabil 7 Token input 87,601 Token output 6,006 Token penalaran 57,661 Waktu respons (rata-rata) 27.82s Waktu respons (total) 612.06s Waktu respons (maks) 159.91s Jawaban salah: 6 Format tambahan: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 6.6 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#149#149	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 9.9 Tingkat lulus per percobaan 54.6% Tes tidak stabil 4 Token input 90,870 Token output 5,676 Token penalaran 314,918 Waktu respons (rata-rata) 113.61s Waktu respons (total) 2499.46s Waktu respons (maks) 560.39s Jawaban salah: 7 Kesalahan API: 2 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 6.6 Gabungan : 10.0 Parsing dan ekstraksi data : 6.3 Spesifik domain : 2.9 Kecerdasan umum : 3.4 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#68#68	Qwen3.6 Plusmedium	7.8	Qwen	$0.418 ↑	45.52s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 71.2% Tes tidak stabil 2 Token input 97,698 Token output 6,417 Token penalaran 191,215 Waktu respons (rata-rata) 45.52s Waktu respons (total) 955.94s Waktu respons (maks) 291.55s Jawaban salah: 5 Kesalahan API: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 6.1 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.1 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#88#88	GPT-5.6 Terralow	7.5	OpenAI	$0.420 ↓	5.45s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 74.2% Tes tidak stabil 6 Token input 80,304 Token output 4,714 Token penalaran 16,872 Waktu respons (rata-rata) 5.45s Waktu respons (total) 119.83s Waktu respons (maks) 19.85s Jawaban salah: 8 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.3 Pemrograman : 6.6 Gabungan : 8.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.8 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#4#4	Gemini 3.6 Flashmedium	9.8	Google	$0.427 ↓	11.86s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 95.5% Tes tidak stabil 2 Token input 64,446 Token output 1,974 Token penalaran 98,902 Waktu respons (rata-rata) 11.86s Waktu respons (total) 260.96s Waktu respons (maks) 77.15s 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

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 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