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: 2026-09-04 Model Dievaluasi: 316

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

316/316

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#31#31	Muse Spark 1.3high	8.9	Meta	$1.653	52.49s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 2 Token input 99,143 Token output 12,083 Token penalaran 347,525 Waktu respons (rata-rata) 52.49s Waktu respons (total) 1154.76s Waktu respons (maks) 251.53s Jawaban salah: 3 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 8.7 Pemanggilan alat : 9.6 Pengetahuan umum : 3.0
#32#32	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 78.8% Tes tidak stabil 3 Token input 104,695 Token output 6,645 Token penalaran 691,086 Waktu respons (rata-rata) 173.96s Waktu respons (total) 3827.19s Waktu respons (maks) 584.71s Jawaban salah: 4 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.2 Pemrograman : 10.0 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
#33#33	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
#34#34	Muse Spark 1.3medium	8.8	Meta	$1.469	38.57s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 84.9% Tes tidak stabil 3 Token input 89,177 Token output 11,044 Token penalaran 308,220 Waktu respons (rata-rata) 38.57s Waktu respons (total) 848.59s Waktu respons (maks) 219.77s Jawaban salah: 4 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 9.6 Pengetahuan umum : 3.0
#35#35	Gemini 3.5 Flash Litehigh	8.8	Google	$0.540	10.05s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 2 Token input 93,046 Token output 5,884 Token penalaran 198,741 Waktu respons (rata-rata) 10.05s Waktu respons (total) 221.06s Waktu respons (maks) 36.22s Jawaban salah: 5 Trik anti-AI : 10.0 Pemrograman : 8.4 Gabungan : 9.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#36#36	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 2 Token input 138,448 Token output 40,765 Token penalaran 11,162 Waktu respons (rata-rata) 12.97s Waktu respons (total) 285.29s Waktu respons (maks) 70.54s Jawaban salah: 4 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 9.9 Parsing dan ekstraksi data : 7.1 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
#37#37	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
#38#38	Gemini 3.6 Flashlow	8.7	Google	$0.251 ↓	4.92s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 89.4% Tes tidak stabil 3 Token input 85,886 Token output 5,489 Token penalaran 44,232 Waktu respons (rata-rata) 4.92s Waktu respons (total) 108.28s Waktu respons (maks) 30.83s Jawaban salah: 4 Trik anti-AI : 8.7 Pemrograman : 7.8 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#39#39	GLM 5.3 Flashmax	8.7	Z.ai	$0.059	52.10s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 81.8% Tes tidak stabil 3 Token input 96,873 Token output 7,637 Token penalaran 196,703 Waktu respons (rata-rata) 52.10s Waktu respons (total) 1146.24s Waktu respons (maks) 333.47s Jawaban salah: 2 Format tambahan: 1 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 7.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#40#40	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
#42#42	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 74.2% Tes tidak stabil 4 Token input 123,680 Token output 7,222 Token penalaran 271,442 Waktu respons (rata-rata) 19.67s Waktu respons (total) 432.72s Waktu respons (maks) 142.49s Tidak mengikuti instruksi: 3 Jawaban salah: 3 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 7.3 Pemrograman : 10.0 Gabungan : 8.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 6.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#43#43	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 2 Token input 142,147 Token output 7,905 Token penalaran 284,247 Waktu respons (rata-rata) 26.25s Waktu respons (total) 577.47s 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
#44#44	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 78.8% Tes tidak stabil 1 Token input 89,640 Token output 33,092 Token penalaran 9,054 Waktu respons (rata-rata) 15.01s Waktu respons (total) 330.15s Waktu respons (maks) 80.80s Tidak ada jawaban: 3 Pemanggilan alat tidak valid: 1 Jawaban salah: 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
#45#45	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 2 Token input 79,249 Token output 5,097 Token penalaran 165,276 Waktu respons (rata-rata) 66.52s Waktu respons (total) 1463.50s Waktu respons (maks) 238.07s Jawaban salah: 4 Kedaluwarsa: 1 Trik anti-AI : 10.0 Pemrograman : 8.8 Gabungan : 7.3 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
#46#46	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 80.3% Tes tidak stabil 3 Token input 99,181 Token output 6,132 Token penalaran 77,689 Waktu respons (rata-rata) 21.83s Waktu respons (total) 480.37s Waktu respons (maks) 155.75s Jawaban salah: 5 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 8.4 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 9.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#47#47	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 4 Token input 81,136 Token output 6,155 Token penalaran 84,311 Waktu respons (rata-rata) 22.85s Waktu respons (total) 502.78s 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
#48#48	Grok 4.5medium	8.5	X AI	$2.042	68.59s
Lihat kartu model Total Tes 22 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 3 Token input 122,155 Token output 5,514 Token penalaran 293,946 Waktu respons (rata-rata) 68.59s Waktu respons (total) 1508.91s Waktu respons (maks) 436.38s Jawaban salah: 5 Trik anti-AI : 10.0 Pemrograman : 7.6 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 6.5 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#49#49	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 3 Token input 101,811 Token output 8,025 Token penalaran 115,938 Waktu respons (rata-rata) 9.77s Waktu respons (total) 214.83s Waktu respons (maks) 47.80s Jawaban salah: 4 Tidak mengikuti instruksi: 3 Trik anti-AI : 9.2 Pemrograman : 8.4 Gabungan : 9.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#50#50	Grok 4.6medium	8.4	X AI	$1.713	73.46s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 81.8% Tes tidak stabil 4 Token input 106,787 Token output 4,811 Token penalaran 244,997 Waktu respons (rata-rata) 73.46s Waktu respons (total) 1616.12s Waktu respons (maks) 514.35s Jawaban salah: 5 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 8.2 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#51#51	Grok 4.5low	8.4	X AI	$0.945	16.17s
Lihat kartu model Total Tes 22 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 77.3% Tes tidak stabil 2 Token input 125,605 Token output 7,505 Token penalaran 107,984 Waktu respons (rata-rata) 16.17s Waktu respons (total) 355.67s Waktu respons (maks) 205.28s Jawaban salah: 6 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#52#52	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
Lihat kartu model Total Tes 22 Tes Salah 8 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 4 Token input 105,013 Token output 9,914 Token penalaran 61,338 Waktu respons (rata-rata) 28.51s Waktu respons (total) 456.13s Waktu respons (maks) 116.86s Tidak mengikuti instruksi: 3 Jawaban salah: 3 Tidak ada jawaban: 1 Kedaluwarsa: 1 Trik anti-AI : 6.5 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 3.7 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.5 Pemanggilan alat : 4.7 Pengetahuan umum : 3.0
#54#54	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 78.8% Tes tidak stabil 5 Token input 104,433 Token output 6,511 Token penalaran 752,680 Waktu respons (rata-rata) 193.59s Waktu respons (total) 4258.98s Waktu respons (maks) 885.33s Jawaban salah: 5 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 8.2 Pemrograman : 8.2 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 9.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#55#55	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
#56#56	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
Lihat kartu model Total Tes 22 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 71.2% Tes tidak stabil 4 Token input 141,878 Token output 11,033 Token penalaran 105,456 Waktu respons (rata-rata) 11.89s Waktu respons (total) 261.69s Waktu respons (maks) 54.15s Jawaban salah: 5 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 7.9 Pemrograman : 10.0 Gabungan : 6.6 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 10.0 Kepatuhan instruksi : 7.3 Pemecahan teka-teki : 8.3 Pemanggilan alat : 9.8 Pengetahuan umum : 3.0
#57#57	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
Lihat kartu model Total Tes 22 Tes Salah 7 Keandalan 10.0 Tingkat lulus per percobaan 81.8% Tes tidak stabil 6 Token input 135,112 Token output 7,594 Token penalaran 23,558 Waktu respons (rata-rata) 11.67s Waktu respons (total) 256.73s Waktu respons (maks) 36.59s Jawaban salah: 3 Tidak ada jawaban: 2 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.2 Pemrograman : 7.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 7.7 Kecerdasan umum : 10.0 Kepatuhan instruksi : 7.3 Pemecahan teka-teki : 7.6 Pemanggilan alat : 10.0 Pengetahuan umum : 2.8

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