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: 2026-10-17 Model Dievaluasi: 442

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

442/442

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#425#425	Decider V1.1 27Bdefault	2.6	Perplexity	$0.002	320ms
Lihat kartu model Total Tes 12 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 17.4% Tes tidak stabil 0 Token input 73,557 Token output 69 Token penalaran 0 Waktu respons (rata-rata) 320ms Waktu respons (total) 3.84s Waktu respons (maks) 491ms Jawaban salah: 8 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 4.9 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#441#441	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
Lihat kartu model Total Tes 7 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 4.4% Tes tidak stabil 0 Token input 103,770 Token output 0 Token penalaran 0 Waktu respons (rata-rata) 363ms Waktu respons (total) 2.54s Waktu respons (maks) 1.24s Jawaban salah: 5 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 2.5 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 2.0 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#429#429	Jev 1.14default	2.3	Typesafe	$0.003	377ms
Lihat kartu model Total Tes 12 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 23.2% Tes tidak stabil 2 Token input 67,092 Token output 18,927 Token penalaran 0 Waktu respons (rata-rata) 377ms Waktu respons (total) 4.52s Waktu respons (maks) 546ms Jawaban salah: 7 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 2.7 Gabungan : 0.0 Parsing dan ekstraksi data : 7.3 Spesifik domain : 7.7 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#432#432	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
Lihat kartu model Total Tes 12 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 13.0% Tes tidak stabil 0 Token input 49,176 Token output 69 Token penalaran 0 Waktu respons (rata-rata) 462ms Waktu respons (total) 5.55s Waktu respons (maks) 661ms Jawaban salah: 9 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 2.2 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#427#427	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
Lihat kartu model Total Tes 12 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 13.0% Tes tidak stabil 0 Token input 47,583 Token output 0 Token penalaran 0 Waktu respons (rata-rata) 495ms Waktu respons (total) 5.94s Waktu respons (maks) 842ms Jawaban salah: 8 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 2.3 Pemrograman : 2.5 Gabungan : 0.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#440#440	Tev1 4B Experimentaldefault	1.0	Togethercomputer	$0.002	498ms
Lihat kartu model Total Tes 7 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 13.0% Tes tidak stabil 0 Token input 33,864 Token output 96 Token penalaran 0 Waktu respons (rata-rata) 498ms Waktu respons (total) 3.49s Waktu respons (maks) 602ms Jawaban salah: 4 Tugas agen : 0.0 Trik anti-AI : 2.5 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 6.7 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#434#434	D1default	1.9	Liquid	$0.003	508ms
Lihat kartu model Total Tes 12 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 11.6% Tes tidak stabil 1 Token input 55,956 Token output 0 Token penalaran 0 Waktu respons (rata-rata) 508ms Waktu respons (total) 6.10s Waktu respons (maks) 820ms Jawaban salah: 10 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 2.2 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.6 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#424#424	Decider V1.2default	2.6	Perplexity	$0.001	517ms
Lihat kartu model Total Tes 12 Tes Salah 7 Keandalan 9.4 Tingkat lulus per percobaan 24.6% Tes tidak stabil 1 Token input 48,363 Token output 67 Token penalaran 0 Waktu respons (rata-rata) 517ms Waktu respons (total) 6.20s Waktu respons (maks) 776ms Jawaban salah: 5 Kesalahan API: 1 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 5.8 Pemrograman : 4.5 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.9 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#421#421	d1-ultradefault	2.7	Liquid	$0.003	531ms
Lihat kartu model Total Tes 12 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 20.3% Tes tidak stabil 1 Token input 55,956 Token output 0 Token penalaran 0 Waktu respons (rata-rata) 531ms Waktu respons (total) 6.38s Waktu respons (maks) 697ms Jawaban salah: 7 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 5.3 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
Lihat kartu model Total Tes 12 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 26.1% Tes tidak stabil 0 Token input 67,092 Token output 18,927 Token penalaran 0 Waktu respons (rata-rata) 698ms Waktu respons (total) 8.38s Waktu respons (maks) 1.08s Jawaban salah: 6 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 2.2 Gabungan : 0.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 3.3 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#422#422	Nemotron 3 Nano Omni 30b A3b Reasoningdefault	2.6	NVIDIA	$0.000	728ms
Lihat kartu model Total Tes 19 Tes Salah 17 Keandalan 10.0 Tingkat lulus per percobaan 14.5% Tes tidak stabil 2 Token input 11,661 Token output 1,302 Token penalaran 0 Waktu respons (rata-rata) 728ms Waktu respons (total) 9.47s Waktu respons (maks) 2.21s Jawaban salah: 9 Kesalahan API: 6 Tidak mengikuti instruksi: 2 Tugas agen : 0.0 Trik anti-AI : 4.8 Pemrograman : 3.3 Gabungan : 1.5 Parsing dan ekstraksi data : 3.8 Spesifik domain : 3.6 Kecerdasan umum : 3.0 Kepatuhan instruksi : 4.8 Pemecahan teka-teki : 3.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#436#436	LFM2-24B-A2Bdefault	1.8	Liquid	$0.001	782ms
Lihat kartu model Total Tes 16 Tes Salah 14 Keandalan T/A Tingkat lulus per percobaan 11.6% Tes tidak stabil 1 Token input 10,771 Token output 1,173 Token penalaran 0 Waktu respons (rata-rata) 782ms Waktu respons (total) 10.94s Waktu respons (maks) 3.15s Jawaban salah: 9 Kesalahan API: 4 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 2.5 Pemrograman : 0.0 Gabungan : 1.5 Parsing dan ekstraksi data : 3.0 Spesifik domain : 5.9 Kecerdasan umum : 4.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.8 Pemanggilan alat : 3.0 Pengetahuan umum : 0.0
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
Lihat kartu model Total Tes 19 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 21.7% Tes tidak stabil 0 Token input 33,675 Token output 2,826 Token penalaran 0 Waktu respons (rata-rata) 806ms Waktu respons (total) 12.09s Waktu respons (maks) 2.01s Jawaban salah: 8 Kesalahan API: 4 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Tugas agen : 0.0 Trik anti-AI : 3.0 Pemrograman : 0.8 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 3.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
Lihat kartu model Total Tes 12 Tes Salah 10 Keandalan 10.0 Tingkat lulus per percobaan 8.7% Tes tidak stabil 0 Token input 70,125 Token output 0 Token penalaran 0 Waktu respons (rata-rata) 880ms Waktu respons (total) 10.56s Waktu respons (maks) 1.31s Jawaban salah: 9 Tidak mengikuti instruksi: 1 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 2.5 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#438#438	Microsoft-Decision-1default	1.4	Microsoft	$0.002	982ms
Lihat kartu model Total Tes 12 Tes Salah 11 Keandalan 10.0 Tingkat lulus per percobaan 7.3% Tes tidak stabil 1 Token input 41,466 Token output 69 Token penalaran 0 Waktu respons (rata-rata) 982ms Waktu respons (total) 11.78s Waktu respons (maks) 1.41s Jawaban salah: 11 Tugas agen : 0.0 Trik anti-AI : 4.4 Pemrograman : 2.2 Gabungan : 0.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 3.0 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#426#426	Drex v1.5default	2.4	Nace AI	$0.002	986ms
Lihat kartu model Total Tes 12 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 17.4% Tes tidak stabil 0 Token input 42,804 Token output 27,468 Token penalaran 0 Waktu respons (rata-rata) 986ms Waktu respons (total) 11.84s Waktu respons (maks) 1.38s Jawaban salah: 8 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 4.5 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#407#407	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
Lihat kartu model Total Tes 18 Tes Salah 12 Keandalan T/A Tingkat lulus per percobaan 26.1% Tes tidak stabil 0 Token input 41,313 Token output 1,923 Token penalaran 0 Waktu respons (rata-rata) 1.11s Waktu respons (total) 19.96s Waktu respons (maks) 6.04s Jawaban salah: 10 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Tugas agen : 0.0 Trik anti-AI : 4.8 Pemrograman : 1.1 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 4.8 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 0.0
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
Lihat kartu model Total Tes 23 Tes Salah 19 Keandalan 10.0 Tingkat lulus per percobaan 23.2% Tes tidak stabil 2 Token input 100,634 Token output 9,609 Token penalaran 100 Waktu respons (rata-rata) 1.18s Waktu respons (total) 27.14s Waktu respons (maks) 9.00s Jawaban salah: 17 Tidak mengikuti instruksi: 2 Tugas agen : 3.0 Trik anti-AI : 3.0 Pemrograman : 3.4 Gabungan : 3.0 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.9 Kecerdasan umum : 4.8 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#402#402	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
Lihat kartu model Total Tes 18 Tes Salah 12 Keandalan T/A Tingkat lulus per percobaan 29.0% Tes tidak stabil 1 Token input 40,597 Token output 1,657 Token penalaran 0 Waktu respons (rata-rata) 1.19s Waktu respons (total) 21.43s Waktu respons (maks) 6.48s Jawaban salah: 10 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Tugas agen : 0.0 Trik anti-AI : 4.0 Pemrograman : 1.8 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 0.0
#404#404	Elephant Alphadefault	3.6	Openrouter	$0.000	1.22s
Lihat kartu model Total Tes 21 Tes Salah 16 Keandalan T/A Tingkat lulus per percobaan 24.6% Tes tidak stabil 1 Token input 33,743 Token output 2,573 Token penalaran 0 Waktu respons (rata-rata) 1.22s Waktu respons (total) 22.03s Waktu respons (maks) 3.81s Jawaban salah: 9 Kesalahan API: 3 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Tugas agen : 0.0 Trik anti-AI : 6.6 Pemrograman : 4.2 Gabungan : 1.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 4.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 4.2 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
Lihat kartu model Total Tes 21 Tes Salah 15 Keandalan T/A Tingkat lulus per percobaan 27.5% Tes tidak stabil 1 Token input 33,744 Token output 2,596 Token penalaran 0 Waktu respons (rata-rata) 1.27s Waktu respons (total) 22.82s Waktu respons (maks) 3.70s Jawaban salah: 9 Kesalahan API: 3 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Tugas agen : 0.0 Trik anti-AI : 6.6 Pemrograman : 3.7 Gabungan : 1.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 4.3 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.3 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#437#437	Solar Decide Flashdefault	1.7	Upstage	$0.003	1.33s
Lihat kartu model Total Tes 7 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 13.0% Tes tidak stabil 0 Token input 47,586 Token output 51 Token penalaran 0 Waktu respons (rata-rata) 1.33s Waktu respons (total) 9.32s Waktu respons (maks) 1.66s Jawaban salah: 4 Tugas agen : 0.0 Trik anti-AI : 0.8 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 4.4 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#419#419	Span-02default	2.8	Respan	$0.001	1.36s
Lihat kartu model Total Tes 12 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 26.1% Tes tidak stabil 0 Token input 70,626 Token output 0 Token penalaran 0 Waktu respons (rata-rata) 1.36s Waktu respons (total) 16.37s Waktu respons (maks) 5.71s Jawaban salah: 6 Tugas agen : 0.0 Trik anti-AI : 5.8 Pemrograman : 4.9 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 5.0 Pemecahan teka-teki : 1.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#396#396	Granite 4.1 8bdefault	3.8	IBM Granite	$0.007	1.38s
Lihat kartu model Total Tes 23 Tes Salah 21 Keandalan 10.0 Tingkat lulus per percobaan 8.7% Tes tidak stabil 0 Token input 113,836 Token output 5,996 Token penalaran 0 Waktu respons (rata-rata) 1.38s Waktu respons (total) 31.81s Waktu respons (maks) 16.67s Jawaban salah: 13 Tidak mengikuti instruksi: 4 Pemanggilan alat tidak valid: 2 Kesalahan API: 1 Format tambahan: 1 Tugas agen : 3.0 Trik anti-AI : 4.9 Pemrograman : 4.5 Gabungan : 3.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 3.0 Kecerdasan umum : 4.0 Kepatuhan instruksi : 3.6 Pemecahan teka-teki : 3.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#347#347	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
Lihat kartu model Total Tes 23 Tes Salah 18 Keandalan 10.0 Tingkat lulus per percobaan 23.2% Tes tidak stabil 1 Token input 94,733 Token output 7,087 Token penalaran 1,683 Waktu respons (rata-rata) 1.45s Waktu respons (total) 33.24s Waktu respons (maks) 12.35s Jawaban salah: 15 Kesalahan API: 1 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Tugas agen : 3.0 Trik anti-AI : 3.1 Pemrograman : 3.6 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.2 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0

1 2 18

→

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