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)
#128#128	Mercury 2medium	7.0	Inception	$0.094	2.95s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 53.0% Tes tidak stabil 4 Token input 110,515 Token output 10,325 Token penalaran 77,229 Waktu respons (rata-rata) 2.95s Waktu respons (total) 61.89s Waktu respons (maks) 14.63s Jawaban salah: 8 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.9 Pemrograman : 8.2 Gabungan : 6.7 Parsing dan ekstraksi data : 7.3 Spesifik domain : 2.9 Kecerdasan umum : 4.8 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 5.4 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#131#131	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 8 Token input 118,496 Token output 53,522 Token penalaran 167,420 Waktu respons (rata-rata) 98.19s Waktu respons (total) 1571.05s Waktu respons (maks) 281.00s Jawaban salah: 5 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 2 Kedaluwarsa: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 7.3 Pemrograman : 6.1 Gabungan : 6.7 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#134#134	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 63.6% Tes tidak stabil 7 Token input 114,477 Token output 12,786 Token penalaran 457,290 Waktu respons (rata-rata) 47.38s Waktu respons (total) 1042.43s Waktu respons (maks) 593.64s Jawaban salah: 8 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 6.2 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.5 Kepatuhan instruksi : 5.8 Pemecahan teka-teki : 7.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#139#139	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 7.3 Tingkat lulus per percobaan 63.6% Tes tidak stabil 7 Token input 76,036 Token output 7,267 Token penalaran 364,176 Waktu respons (rata-rata) 101.05s Waktu respons (total) 2223.19s Waktu respons (maks) 626.58s Kesalahan API: 6 Jawaban salah: 4 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 6.9 Pemrograman : 8.9 Gabungan : 4.7 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.3 Kecerdasan umum : 4.8 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 8.2 Pemanggilan alat : 4.7 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
#157#157	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 53.0% Tes tidak stabil 3 Token input 100,255 Token output 6,422 Token penalaran 49,847 Waktu respons (rata-rata) 6.30s Waktu respons (total) 138.60s Waktu respons (maks) 17.26s Jawaban salah: 6 Tidak mengikuti instruksi: 4 Pemanggilan alat tidak valid: 2 Trik anti-AI : 10.0 Pemrograman : 7.8 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.3 Kepatuhan instruksi : 8.5 Pemecahan teka-teki : 5.8 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#162#162	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 60.6% Tes tidak stabil 7 Token input 106,176 Token output 33,013 Token penalaran 239,560 Waktu respons (rata-rata) 106.06s Waktu respons (total) 2333.36s Waktu respons (maks) 1085.11s Jawaban salah: 5 Tidak ada jawaban: 3 Pemanggilan alat tidak valid: 2 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.3 Pemrograman : 7.7 Gabungan : 6.7 Parsing dan ekstraksi data : 3.5 Spesifik domain : 2.9 Kecerdasan umum : 6.5 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#167#167	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 57.6% Tes tidak stabil 5 Token input 113,889 Token output 110,550 Token penalaran 496,487 Waktu respons (rata-rata) 61.81s Waktu respons (total) 1359.72s Waktu respons (maks) 417.36s Jawaban salah: 7 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 5.9 Gabungan : 6.9 Parsing dan ekstraksi data : 7.3 Spesifik domain : 3.6 Kecerdasan umum : 4.0 Kepatuhan instruksi : 7.9 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#168#168	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 59.1% Tes tidak stabil 6 Token input 127,621 Token output 141,858 Token penalaran 590,204 Waktu respons (rata-rata) 67.81s Waktu respons (total) 1491.80s Waktu respons (maks) 480.52s Jawaban salah: 8 Tidak ada jawaban: 2 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.7 Pemrograman : 5.8 Gabungan : 6.9 Parsing dan ekstraksi data : 7.3 Spesifik domain : 5.3 Kecerdasan umum : 3.4 Kepatuhan instruksi : 8.3 Pemecahan teka-teki : 5.5 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#177#177	GPT-5.6 Lunalow	6.2	OpenAI	$0.051 ↓	5.20s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 54.5% Tes tidak stabil 5 Token input 96,355 Token output 8,213 Token penalaran 18,073 Waktu respons (rata-rata) 5.20s Waktu respons (total) 114.46s Waktu respons (maks) 19.44s Jawaban salah: 10 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.3 Pemrograman : 5.5 Gabungan : 2.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.0 Kepatuhan instruksi : 8.5 Pemecahan teka-teki : 7.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#179#179	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.85s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 51.5% Tes tidak stabil 3 Token input 119,076 Token output 11,118 Token penalaran 0 Waktu respons (rata-rata) 1.85s Waktu respons (total) 40.74s Waktu respons (maks) 12.97s Jawaban salah: 8 Tidak mengikuti instruksi: 3 Tidak ada jawaban: 1 Trik anti-AI : 8.3 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 6.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#185#185	Inklinglow	6.1	Thinkingmachines	$0.187	5.11s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 54.6% Tes tidak stabil 4 Token input 109,893 Token output 8,580 Token penalaran 10,324 Waktu respons (rata-rata) 5.11s Waktu respons (total) 112.46s Waktu respons (maks) 41.58s Jawaban salah: 8 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 2 Trik anti-AI : 8.3 Pemrograman : 5.1 Gabungan : 2.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 6.4 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#203#203	GLM 5.3 Flashlow	5.9	Z.ai	$0.015	9.65s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 56.1% Tes tidak stabil 4 Token input 117,551 Token output 9,199 Token penalaran 14,537 Waktu respons (rata-rata) 9.65s Waktu respons (total) 212.22s Waktu respons (maks) 90.45s Jawaban salah: 8 Tidak mengikuti instruksi: 2 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.7 Pemrograman : 5.4 Gabungan : 3.8 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.6 Kecerdasan umum : 5.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.8 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#205#205	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
Lihat kartu model Total Tes 22 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 54.6% Tes tidak stabil 3 Token input 129,150 Token output 10,643 Token penalaran 0 Waktu respons (rata-rata) 6.84s Waktu respons (total) 150.46s Waktu respons (maks) 55.92s Jawaban salah: 11 Tidak ada jawaban: 1 Trik anti-AI : 4.8 Pemrograman : 4.5 Gabungan : 3.8 Parsing dan ekstraksi data : 7.1 Spesifik domain : 7.7 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#270#270	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
#274#274	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
Lihat kartu model Total Tes 18 Tes Salah 10 Keandalan T/A Tingkat lulus per percobaan 53.0% Tes tidak stabil 6 Token input 28,927 Token output 4,682 Token penalaran 17,969 Waktu respons (rata-rata) 10.33s Waktu respons (total) 175.58s Waktu respons (maks) 30.53s Jawaban salah: 4 Tidak mengikuti instruksi: 2 Kedaluwarsa: 2 Kesalahan API: 1 Format tambahan: 1 Trik anti-AI : 7.3 Pemrograman : 9.8 Gabungan : 2.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 7.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 6.1 Pemanggilan alat : 10.0 Pengetahuan umum : 0.0
#210#210	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
Lihat kartu model Total Tes 21 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 42.4% Tes tidak stabil 1 Token input 37,135 Token output 1,989 Token penalaran 0 Waktu respons (rata-rata) 4.03s Waktu respons (total) 56.37s Waktu respons (maks) 11.07s Jawaban salah: 12 Trik anti-AI : 4.8 Pemrograman : 4.0 Gabungan : 1.5 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
#142#142	DeepSeek V4 Pronone	6.8	DeepSeek	$0.226 ↑	11.71s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 47.0% Tes tidak stabil 4 Token input 148,078 Token output 35,547 Token penalaran 0 Waktu respons (rata-rata) 11.71s Waktu respons (total) 257.67s Waktu respons (maks) 119.44s Jawaban salah: 9 Tidak mengikuti instruksi: 2 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.2 Pemrograman : 5.6 Gabungan : 7.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#152#152	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 51.5% Tes tidak stabil 4 Token input 93,411 Token output 30,470 Token penalaran 356,172 Waktu respons (rata-rata) 153.29s Waktu respons (total) 3372.36s Waktu respons (maks) 941.66s Jawaban salah: 7 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 2 Kedaluwarsa: 2 Trik anti-AI : 8.9 Pemrograman : 7.8 Gabungan : 10.0 Parsing dan ekstraksi data : 3.6 Spesifik domain : 3.6 Kecerdasan umum : 5.1 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#155#155	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 2 Token input 102,325 Token output 24,323 Token penalaran 0 Waktu respons (rata-rata) 4.77s Waktu respons (total) 105.00s Waktu respons (maks) 69.46s Jawaban salah: 11 Tidak mengikuti instruksi: 2 Trik anti-AI : 4.8 Pemrograman : 5.8 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 6.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#163#163	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 2 Token input 118,998 Token output 30,750 Token penalaran 491,730 Waktu respons (rata-rata) 48.18s Waktu respons (total) 1059.93s Waktu respons (maks) 422.72s Jawaban salah: 10 Tidak ada jawaban: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 6.3 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.5 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#181#181	gpt-oss-120bmedium	6.1	OpenAI	$0.020 ↓	20.81s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 50.0% Tes tidak stabil 5 Token input 108,767 Token output 29,378 Token penalaran 68,904 Waktu respons (rata-rata) 20.81s Waktu respons (total) 332.88s Waktu respons (maks) 68.16s Jawaban salah: 9 Tidak mengikuti instruksi: 3 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.7 Pemrograman : 5.9 Gabungan : 6.5 Parsing dan ekstraksi data : 6.4 Spesifik domain : 2.9 Kecerdasan umum : 4.3 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 5.3 Pemanggilan alat : 9.8 Pengetahuan umum : 3.0
#183#183	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 50.0% Tes tidak stabil 4 Token input 118,059 Token output 10,723 Token penalaran 0 Waktu respons (rata-rata) 1.75s Waktu respons (total) 38.42s Waktu respons (maks) 16.25s Jawaban salah: 11 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 7.5 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 6.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#188#188	Gemma 4 31Bnone	6.1	Google	$0.016 ↓	5.41s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 1 Token input 125,703 Token output 13,317 Token penalaran 0 Waktu respons (rata-rata) 5.41s Waktu respons (total) 108.12s Waktu respons (maks) 29.95s Jawaban salah: 10 Kesalahan API: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 6.5 Pemrograman : 5.5 Gabungan : 3.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 6.5 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#211#211	Inkling Smalllow	5.7	Thinkingmachines	$0.055 ↓	2.07s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 50.0% Tes tidak stabil 4 Token input 81,447 Token output 2,715 Token penalaran 11,971 Waktu respons (rata-rata) 2.07s Waktu respons (total) 45.64s Waktu respons (maks) 5.82s Jawaban salah: 9 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 2 Trik anti-AI : 9.2 Pemrograman : 4.6 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.3 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 5.3 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0

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