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: 305

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

305/305

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#179#179	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 36.4% Tes tidak stabil 2 Token input 218,740 Token output 90,507 Token penalaran 0 Waktu respons (rata-rata) 10.05s Waktu respons (total) 221.13s Waktu respons (maks) 186.24s Jawaban salah: 13 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.0 Pemrograman : 5.5 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#184#184	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 34.9% Tes tidak stabil 1 Token input 139,797 Token output 30,947 Token penalaran 0 Waktu respons (rata-rata) 3.73s Waktu respons (total) 81.95s Waktu respons (maks) 48.79s Jawaban salah: 12 Pemanggilan alat tidak valid: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 3.1 Pemrograman : 5.4 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.5 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#194#194	Qwen3.5-Flashnone	6.0	Qwen	$0.073 ↓	25.28s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 34.9% Tes tidak stabil 2 Token input 282,356 Token output 209,201 Token penalaran 0 Waktu respons (rata-rata) 25.28s Waktu respons (total) 556.14s Waktu respons (maks) 480.96s Jawaban salah: 14 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.5 Pemrograman : 5.5 Gabungan : 2.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#203#203	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
#204#204	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 33.3% Tes tidak stabil 1 Token input 130,863 Token output 11,912 Token penalaran 0 Waktu respons (rata-rata) 5.37s Waktu respons (total) 118.06s Waktu respons (maks) 64.67s Jawaban salah: 14 Tidak ada jawaban: 1 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 5.4 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#214#214	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 9.8 Tingkat lulus per percobaan 42.4% Tes tidak stabil 5 Token input 50,423 Token output 4,144 Token penalaran 110,510 Waktu respons (rata-rata) 15.87s Waktu respons (total) 349.16s Waktu respons (maks) 118.35s Jawaban salah: 9 Kesalahan API: 3 Format tambahan: 3 Trik anti-AI : 6.9 Pemrograman : 4.3 Gabungan : 6.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 5.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 3.5 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#223#223	Qwen3.6 27Bnone	5.5	Qwen	$0.116 ↑	10.62s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 6 Token input 95,805 Token output 16,156 Token penalaran 0 Waktu respons (rata-rata) 10.62s Waktu respons (total) 233.68s Waktu respons (maks) 156.31s Jawaban salah: 11 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 2 Trik anti-AI : 3.8 Pemrograman : 5.5 Gabungan : 3.2 Parsing dan ekstraksi data : 7.3 Spesifik domain : 7.7 Kecerdasan umum : 5.2 Kepatuhan instruksi : 6.2 Pemecahan teka-teki : 5.3 Pemanggilan alat : 9.5 Pengetahuan umum : 3.0
#229#229	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.046	10.63s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 9.9 Tingkat lulus per percobaan 43.9% Tes tidak stabil 6 Token input 61,094 Token output 6,532 Token penalaran 53,882 Waktu respons (rata-rata) 10.63s Waktu respons (total) 233.77s Waktu respons (maks) 86.23s Jawaban salah: 7 Format tambahan: 4 Kesalahan API: 2 Tidak mengikuti instruksi: 2 Trik anti-AI : 7.3 Pemrograman : 3.5 Gabungan : 6.4 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#243#243	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 8.7 Tingkat lulus per percobaan 34.9% Tes tidak stabil 1 Token input 52,909 Token output 7,058 Token penalaran 12,272 Waktu respons (rata-rata) 45.97s Waktu respons (total) 1011.42s Waktu respons (maks) 557.96s Jawaban salah: 9 Kedaluwarsa: 4 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.4 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 4.0 Kepatuhan instruksi : 3.8 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#247#247	Granite 4.2 8Blow	5.1	IBM Granite	$0.012	54.36s
Lihat kartu model Total Tes 22 Tes Salah 15 Keandalan 9.0 Tingkat lulus per percobaan 31.8% Tes tidak stabil 0 Token input 74,721 Token output 9,205 Token penalaran 18,723 Waktu respons (rata-rata) 54.36s Waktu respons (total) 1195.97s Waktu respons (maks) 566.80s Jawaban salah: 10 Kedaluwarsa: 3 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.3 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 4.0 Kepatuhan instruksi : 3.0 Pemecahan teka-teki : 3.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#288#288	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
#301#301	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Lihat kartu model Total Tes 19 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 33.3% Tes tidak stabil 2 Token input 9,081 Token output 51,664 Token penalaran 0 Waktu respons (rata-rata) 21.61s Waktu respons (total) 345.79s Waktu respons (maks) 113.71s Jawaban salah: 8 Kesalahan API: 3 Tidak mengikuti instruksi: 2 Trik anti-AI : 6.5 Pemrograman : 1.5 Gabungan : 1.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 4.8 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 6.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#251#251	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
Lihat kartu model Total Tes 21 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 30.3% Tes tidak stabil 2 Token input 32,525 Token output 1,815 Token penalaran 0 Waktu respons (rata-rata) 2.82s Waktu respons (total) 59.29s Waktu respons (maks) 8.21s Jawaban salah: 13 Tidak mengikuti instruksi: 2 Trik anti-AI : 3.0 Pemrograman : 3.9 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.2 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 5.5 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#284#284	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
Lihat kartu model Total Tes 21 Tes Salah 15 Keandalan T/A Tingkat lulus per percobaan 28.8% 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 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
#195#195	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.142 ↑	12.73s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 39.4% Tes tidak stabil 4 Token input 134,530 Token output 86,616 Token penalaran 0 Waktu respons (rata-rata) 12.73s Waktu respons (total) 279.97s Waktu respons (maks) 209.15s Jawaban salah: 13 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.4 Pemrograman : 5.5 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 6.5 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#201#201	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.58s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 31.8% Tes tidak stabil 2 Token input 79,076 Token output 7,898 Token penalaran 0 Waktu respons (rata-rata) 1.58s Waktu respons (total) 34.86s Waktu respons (maks) 9.92s Jawaban salah: 13 Tidak mengikuti instruksi: 3 Trik anti-AI : 3.1 Pemrograman : 5.5 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 4.8 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 5.4 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#209#209	Ling-3.0-flashnone	5.7	Inclusionai	$0.004 ↕	3.56s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 27.3% Tes tidak stabil 0 Token input 123,993 Token output 12,777 Token penalaran 0 Waktu respons (rata-rata) 3.56s Waktu respons (total) 74.74s Waktu respons (maks) 17.51s Jawaban salah: 13 Kesalahan API: 1 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 4.8 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#211#211	Kimi K2.6none	5.7	Moonshot AI	$0.233 ↑	19.57s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 30.3% Tes tidak stabil 2 Token input 116,983 Token output 30,249 Token penalaran 0 Waktu respons (rata-rata) 19.57s Waktu respons (total) 430.58s Waktu respons (maks) 238.89s Jawaban salah: 12 Tidak mengikuti instruksi: 3 Tidak ada jawaban: 1 Trik anti-AI : 4.6 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.4 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#212#212	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
#230#230	GPT-5.6 Lunanone	5.4	OpenAI	$0.029 ↓	1.50s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 36.4% Tes tidak stabil 3 Token input 101,332 Token output 6,709 Token penalaran 0 Waktu respons (rata-rata) 1.50s Waktu respons (total) 33.05s Waktu respons (maks) 10.57s Jawaban salah: 14 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 4.8 Pemrograman : 3.8 Gabungan : 3.2 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 5.0 Kepatuhan instruksi : 7.1 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#237#237	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 8.6 Tingkat lulus per percobaan 36.4% Tes tidak stabil 5 Token input 159,749 Token output 23,433 Token penalaran 0 Waktu respons (rata-rata) 14.67s Waktu respons (total) 322.71s Waktu respons (maks) 132.84s Jawaban salah: 11 Format tambahan: 2 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 1 Trik anti-AI : 3.0 Pemrograman : 3.6 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.2 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#242#242	Inklingnone	5.2	Thinkingmachines	$0.147	3.47s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 28.8% Tes tidak stabil 1 Token input 104,120 Token output 10,554 Token penalaran 0 Waktu respons (rata-rata) 3.47s Waktu respons (total) 76.28s Waktu respons (maks) 48.02s Jawaban salah: 13 Format tambahan: 1 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 4.8 Pemrograman : 4.5 Gabungan : 2.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 5.6 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#254#254	Mercury 2.5 Previewlow	5.0	Inception	$0.011	1.31s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 47.0% Tes tidak stabil 8 Token input 133,525 Token output 7,259 Token penalaran 24,716 Waktu respons (rata-rata) 1.31s Waktu respons (total) 28.77s Waktu respons (maks) 7.29s Jawaban salah: 12 Tidak mengikuti instruksi: 2 Kesalahan API: 1 Tidak ada jawaban: 1 Trik anti-AI : 5.6 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 6.3 Spesifik domain : 4.1 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 8.2 Pemanggilan alat : 2.8 Pengetahuan umum : 3.0
#256#256	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 36.4% Tes tidak stabil 5 Token input 135,831 Token output 42,099 Token penalaran 0 Waktu respons (rata-rata) 17.89s Waktu respons (total) 393.53s Waktu respons (maks) 115.89s Jawaban salah: 8 Kesalahan API: 3 Format tambahan: 2 Pemanggilan alat tidak valid: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 3.2 Pemrograman : 3.1 Gabungan : 4.8 Parsing dan ekstraksi data : 6.3 Spesifik domain : 3.0 Kecerdasan umum : 4.7 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#260#260	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
Lihat kartu model Total Tes 22 Tes Salah 16 Keandalan 9.6 Tingkat lulus per percobaan 30.3% Tes tidak stabil 2 Token input 114,384 Token output 14,903 Token penalaran 0 Waktu respons (rata-rata) 10.71s Waktu respons (total) 214.28s Waktu respons (maks) 36.03s Jawaban salah: 9 Pemanggilan alat tidak valid: 3 Kesalahan API: 2 Tidak mengikuti instruksi: 2 Trik anti-AI : 6.8 Pemrograman : 5.3 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 4.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 2.9 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0

←

1 9 10 11 13

→

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 3.7 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 Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow