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)
#220#220	Gemma 4 26B A4Bnone	5.6	Google	$0.015 ↓	7.58s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 1 Token input 131,257 Token output 15,781 Token penalaran 0 Waktu respons (rata-rata) 7.58s Waktu respons (total) 166.82s Waktu respons (maks) 57.10s Jawaban salah: 9 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 1 Kedaluwarsa: 1 Trik anti-AI : 8.3 Pemrograman : 3.7 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 6.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#228#228	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 40.9% Tes tidak stabil 0 Token input 122,463 Token output 11,445 Token penalaran 0 Waktu respons (rata-rata) 3.12s Waktu respons (total) 68.69s Waktu respons (maks) 44.76s Jawaban salah: 11 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.5 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 7.7 Kecerdasan umum : 4.2 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 6.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#266#266	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
Lihat kartu model Total Tes 22 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 2 Token input 7,608 Token output 40,277 Token penalaran 0 Waktu respons (rata-rata) 51.99s Waktu respons (total) 831.90s Waktu respons (maks) 143.82s Kesalahan API: 6 Jawaban salah: 5 Tidak mengikuti instruksi: 2 Trik anti-AI : 9.2 Pemrograman : 5.3 Gabungan : 3.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 5.3 Kecerdasan umum : 4.3 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#218#218	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
Lihat kartu model Total Tes 21 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 36.4% Tes tidak stabil 0 Token input 37,100 Token output 1,766 Token penalaran 0 Waktu respons (rata-rata) 2.99s Waktu respons (total) 62.74s Waktu respons (maks) 6.51s Jawaban salah: 11 Tidak mengikuti instruksi: 2 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.6 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#219#219	Owl Alphamedium	5.6	Openrouter	$0.000	11.95s
Lihat kartu model Total Tes 21 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 37.9% Tes tidak stabil 1 Token input 43,478 Token output 2,974 Token penalaran 0 Waktu respons (rata-rata) 11.95s Waktu respons (total) 250.88s Waktu respons (maks) 58.63s Jawaban salah: 10 Tidak mengikuti instruksi: 2 Kesalahan API: 1 Trik anti-AI : 4.8 Pemrograman : 5.4 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.3 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#229#229	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
Lihat kartu model Total Tes 21 Tes Salah 13 Keandalan 10.0 Tingkat lulus per percobaan 37.9% Tes tidak stabil 1 Token input 40,852 Token output 3,314 Token penalaran 0 Waktu respons (rata-rata) 2.44s Waktu respons (total) 48.81s Waktu respons (maks) 6.81s Jawaban salah: 10 Kesalahan API: 1 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 3.6 Pemrograman : 4.4 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.1 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#297#297	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
Lihat kartu model Total Tes 19 Tes Salah 12 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 4 Token input 11,793 Token output 267,275 Token penalaran 0 Waktu respons (rata-rata) 28.69s Waktu respons (total) 459.00s Waktu respons (maks) 138.35s Jawaban salah: 7 Kesalahan API: 3 Tidak mengikuti instruksi: 2 Trik anti-AI : 8.7 Pemrograman : 3.3 Gabungan : 1.5 Parsing dan ekstraksi data : 3.8 Spesifik domain : 3.6 Kecerdasan umum : 4.3 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 6.4 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#169#169	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 40.9% Tes tidak stabil 2 Token input 108,752 Token output 9,375 Token penalaran 0 Waktu respons (rata-rata) 5.17s Waktu respons (total) 113.83s Waktu respons (maks) 48.38s Jawaban salah: 13 Format tambahan: 1 Trik anti-AI : 4.8 Pemrograman : 5.5 Gabungan : 6.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 4.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#175#175	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 40.9% Tes tidak stabil 3 Token input 142,206 Token output 14,744 Token penalaran 0 Waktu respons (rata-rata) 4.37s Waktu respons (total) 96.20s Waktu respons (maks) 44.58s Jawaban salah: 13 Tidak ada jawaban: 1 Trik anti-AI : 3.0 Pemrograman : 5.6 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#186#186	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 48.5% Tes tidak stabil 6 Token input 118,486 Token output 156,166 Token penalaran 860,619 Waktu respons (rata-rata) 85.44s Waktu respons (total) 1879.75s Waktu respons (maks) 525.14s Jawaban salah: 8 Tidak mengikuti instruksi: 4 Pemanggilan alat tidak valid: 2 Trik anti-AI : 6.8 Pemrograman : 7.5 Gabungan : 2.9 Parsing dan ekstraksi data : 6.3 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 4.4 Pemecahan teka-teki : 5.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#189#189	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 43.9% Tes tidak stabil 4 Token input 94,477 Token output 51,487 Token penalaran 0 Waktu respons (rata-rata) 13.10s Waktu respons (total) 288.23s Waktu respons (maks) 206.05s Jawaban salah: 12 Tidak mengikuti instruksi: 2 Trik anti-AI : 4.8 Pemrograman : 3.9 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.8 Kepatuhan instruksi : 6.2 Pemecahan teka-teki : 6.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#190#190	Nemotron 3 Ultranone	6.1	NVIDIA	$0.093 ↕	3.88s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 42.4% Tes tidak stabil 2 Token input 101,168 Token output 9,470 Token penalaran 0 Waktu respons (rata-rata) 3.88s Waktu respons (total) 85.33s Waktu respons (maks) 37.50s Jawaban salah: 11 Kesalahan API: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 3.5 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 5.9 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#191#191	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 47.0% Tes tidak stabil 5 Token input 122,854 Token output 119,810 Token penalaran 698,549 Waktu respons (rata-rata) 96.61s Waktu respons (total) 2125.51s Waktu respons (maks) 540.96s Jawaban salah: 7 Kesalahan API: 2 Tidak mengikuti instruksi: 2 Pemanggilan alat tidak valid: 2 Tidak ada jawaban: 1 Trik anti-AI : 8.3 Pemrograman : 5.3 Gabungan : 5.2 Parsing dan ekstraksi data : 7.3 Spesifik domain : 2.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 4.4 Pemecahan teka-teki : 6.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#192#192	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 39.4% Tes tidak stabil 1 Token input 39,886 Token output 1,890 Token penalaran 0 Waktu respons (rata-rata) 6.19s Waktu respons (total) 136.23s Waktu respons (maks) 118.00s Jawaban salah: 13 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.0 Pemrograman : 5.5 Gabungan : 3.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.6 Kecerdasan umum : 5.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 7.7 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
#196#196	GPT-5 Nanomedium	6.0	OpenAI	$0.118	54.20s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 54.5% Tes tidak stabil 9 Token input 94,944 Token output 12,037 Token penalaran 270,400 Waktu respons (rata-rata) 54.20s Waktu respons (total) 867.23s Waktu respons (maks) 227.89s Jawaban salah: 10 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 1 Kedaluwarsa: 1 Trik anti-AI : 6.5 Pemrograman : 7.0 Gabungan : 6.4 Parsing dan ekstraksi data : 3.7 Spesifik domain : 3.4 Kecerdasan umum : 4.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#200#200	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 57.6% Tes tidak stabil 8 Token input 94,639 Token output 108,013 Token penalaran 571,526 Waktu respons (rata-rata) 67.13s Waktu respons (total) 1476.95s Waktu respons (maks) 459.19s Jawaban salah: 9 Tidak mengikuti instruksi: 2 Tidak ada jawaban: 2 Format tambahan: 1 Trik anti-AI : 8.7 Pemrograman : 4.2 Gabungan : 9.9 Parsing dan ekstraksi data : 4.5 Spesifik domain : 3.6 Kecerdasan umum : 3.8 Kepatuhan instruksi : 8.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#208#208	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 8.5 Tingkat lulus per percobaan 43.9% Tes tidak stabil 4 Token input 81,742 Token output 423,884 Token penalaran 1,340,907 Waktu respons (rata-rata) 141.99s Waktu respons (total) 3123.87s Waktu respons (maks) 786.72s Jawaban salah: 9 Format tambahan: 2 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Kedaluwarsa: 1 Trik anti-AI : 8.4 Pemrograman : 4.5 Gabungan : 2.9 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 5.1 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 3.3 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#209#209	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 9.1 Tingkat lulus per percobaan 40.9% Tes tidak stabil 3 Token input 81,438 Token output 17,674 Token penalaran 97,900 Waktu respons (rata-rata) 52.31s Waktu respons (total) 1046.21s Waktu respons (maks) 431.98s Jawaban salah: 5 Kesalahan API: 4 Tidak mengikuti instruksi: 3 Tidak ada jawaban: 1 Kedaluwarsa: 1 Trik anti-AI : 8.3 Pemrograman : 3.1 Gabungan : 6.4 Parsing dan ekstraksi data : 10.0 Spesifik domain : 2.9 Kecerdasan umum : 4.1 Kepatuhan instruksi : 7.3 Pemecahan teka-teki : 3.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#213#213	GLM 5.1none	5.7	Z.ai	$0.164 ↓	6.74s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 5 Token input 124,219 Token output 14,393 Token penalaran 0 Waktu respons (rata-rata) 6.74s Waktu respons (total) 148.20s Waktu respons (maks) 61.20s Jawaban salah: 12 Pemanggilan alat tidak valid: 1 Tidak ada jawaban: 1 Trik anti-AI : 4.0 Pemrograman : 3.9 Gabungan : 2.8 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 5.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#223#223	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.65s
Lihat kartu model Total Tes 22 Tes Salah 14 Keandalan 9.6 Tingkat lulus per percobaan 45.5% Tes tidak stabil 3 Token input 51,369 Token output 8,008 Token penalaran 58,568 Waktu respons (rata-rata) 8.65s Waktu respons (total) 190.35s Waktu respons (maks) 48.19s Jawaban salah: 10 Kesalahan API: 1 Format tambahan: 1 Tidak mengikuti instruksi: 1 Kedaluwarsa: 1 Trik anti-AI : 8.7 Pemrograman : 3.6 Gabungan : 6.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 5.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 3.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#221#221	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
Lihat kartu model Total Tes 21 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 39.4% Tes tidak stabil 3 Token input 39,344 Token output 2,352 Token penalaran 0 Waktu respons (rata-rata) 2.27s Waktu respons (total) 45.50s Waktu respons (maks) 6.58s Jawaban salah: 11 Tidak mengikuti instruksi: 2 Kesalahan API: 1 Trik anti-AI : 3.5 Pemrograman : 5.5 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.3 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 6.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#222#222	Owl Alphanone	5.6	Openrouter	$0.000	9.88s
Lihat kartu model Total Tes 21 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 34.9% Tes tidak stabil 1 Token input 42,283 Token output 5,913 Token penalaran 0 Waktu respons (rata-rata) 9.88s Waktu respons (total) 207.38s Waktu respons (maks) 47.10s Jawaban salah: 10 Tidak mengikuti instruksi: 3 Format tambahan: 1 Trik anti-AI : 3.4 Pemrograman : 5.6 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 4.3 Kepatuhan instruksi : 6.4 Pemecahan teka-teki : 5.4 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#277#277	Cobuddymedium	4.7	Baidu	$0.000	39.90s
Lihat kartu model Total Tes 21 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 45.5% Tes tidak stabil 6 Token input 37,449 Token output 1,677 Token penalaran 116,703 Waktu respons (rata-rata) 39.90s Waktu respons (total) 797.98s Waktu respons (maks) 309.02s Jawaban salah: 9 Tidak mengikuti instruksi: 3 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 8.7 Pemrograman : 3.7 Gabungan : 1.5 Parsing dan ekstraksi data : 6.3 Spesifik domain : 2.9 Kecerdasan umum : 4.2 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 3.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#283#283	Grok 4.20 Betanone	4.4	X AI	$0.087 ↓	1.19s
Lihat kartu model Total Tes 18 Tes Salah 12 Keandalan T/A Tingkat lulus per percobaan 30.3% 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 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

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