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)
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
Lihat kartu model Total Tes 22 Tes Salah 1 Keandalan 10.0 Tingkat lulus per percobaan 98.5% Tes tidak stabil 1 Token input 71,470 Token output 3,276 Token penalaran 168,709 Waktu respons (rata-rata) 16.81s Waktu respons (total) 369.88s Waktu respons (maks) 104.15s Jawaban salah: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 8.2 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#2🥈 #2	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 95.5% Tes tidak stabil 2 Token input 86,712 Token output 6,017 Token penalaran 148,829 Waktu respons (rata-rata) 12.22s Waktu respons (total) 268.78s Waktu respons (maks) 91.63s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.8 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#3🥉 #3	Gemini 3.6 Flashmedium	9.8	Google	$0.427 ↓	11.86s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 95.5% Tes tidak stabil 2 Token input 64,446 Token output 1,974 Token penalaran 98,902 Waktu respons (rata-rata) 11.86s Waktu respons (total) 260.96s Waktu respons (maks) 77.15s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.8 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#5#5	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 93.9% Tes tidak stabil 1 Token input 87,870 Token output 5,486 Token penalaran 234,122 Waktu respons (rata-rata) 19.86s Waktu respons (total) 436.88s Waktu respons (maks) 117.26s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 8.6 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 : 10.0
#7#7	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 93.9% Tes tidak stabil 1 Token input 89,055 Token output 5,697 Token penalaran 58,880 Waktu respons (rata-rata) 5.87s Waktu respons (total) 129.20s Waktu respons (maks) 30.23s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 8.4 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 : 10.0
#12#12	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 90.9% Tes tidak stabil 0 Token input 92,296 Token output 5,232 Token penalaran 92,006 Waktu respons (rata-rata) 20.62s Waktu respons (total) 329.94s Waktu respons (maks) 88.68s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 7.9 Gabungan : 9.8 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 : 10.0
#13#13	Gemini 3.7 Flashlow	9.2	Google	$0.207 ↑	3.85s
Lihat kartu model Total Tes 22 Tes Salah 2 Keandalan 10.0 Tingkat lulus per percobaan 95.5% Tes tidak stabil 2 Token input 90,322 Token output 6,294 Token penalaran 30,759 Waktu respons (rata-rata) 3.85s Waktu respons (total) 84.80s Waktu respons (maks) 19.44s Jawaban salah: 2 Trik anti-AI : 10.0 Pemrograman : 7.6 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 8.2 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#6#6	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 89.4% Tes tidak stabil 2 Token input 107,146 Token output 8,777 Token penalaran 196,705 Waktu respons (rata-rata) 15.46s Waktu respons (total) 340.20s Waktu respons (maks) 145.92s Jawaban salah: 2 Pemanggilan alat tidak valid: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 8.2 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 : 9.8 Pengetahuan umum : 10.0
#10#10	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 0 Token input 80,067 Token output 5,378 Token penalaran 23,162 Waktu respons (rata-rata) 10.15s Waktu respons (total) 223.24s Waktu respons (maks) 56.19s Jawaban salah: 3 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 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 : 3.0
#11#11	Grok 4.6high	9.3	X AI	$1.908	84.15s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 0 Token input 107,275 Token output 5,094 Token penalaran 277,123 Waktu respons (rata-rata) 84.15s Waktu respons (total) 1851.26s Waktu respons (maks) 618.49s Jawaban salah: 2 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#18#18	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
Lihat kartu model Total Tes 22 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 89.4% Tes tidak stabil 1 Token input 135,958 Token output 7,930 Token penalaran 32,141 Waktu respons (rata-rata) 13.59s Waktu respons (total) 298.90s Waktu respons (maks) 40.17s Jawaban salah: 3 Trik anti-AI : 10.0 Pemrograman : 8.4 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
#150#150	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
Lihat kartu model Total Tes 19 Tes Salah 3 Keandalan 10.0 Tingkat lulus per percobaan 72.7% Tes tidak stabil 0 Token input 69,576 Token output 6,265 Token penalaran 0 Waktu respons (rata-rata) 3.02s Waktu respons (total) 57.44s Waktu respons (maks) 18.27s Jawaban salah: 3 Trik anti-AI : 8.3 Pemrograman : 3.3 Gabungan : 4.8 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
#4#4	GPT-5.6 Sollow	9.5	OpenAI	$0.357 ↓	9.04s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 86.4% Tes tidak stabil 2 Token input 78,580 Token output 4,476 Token penalaran 15,470 Waktu respons (rata-rata) 9.04s Waktu respons (total) 198.97s Waktu respons (maks) 53.91s Jawaban salah: 4 Trik anti-AI : 8.3 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#8#8	GPT-5.6 Solmedium	9.4	OpenAI	$0.508 ↓	12.63s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 90.9% Tes tidak stabil 3 Token input 79,006 Token output 4,696 Token penalaran 30,281 Waktu respons (rata-rata) 12.63s Waktu respons (total) 277.88s Waktu respons (maks) 79.40s Jawaban salah: 4 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 8.2 Pemanggilan alat : 10.0 Pengetahuan umum : 4.7
#9#9	GPT-5.6 Solhigh	9.4	OpenAI	$0.446 ↓	11.48s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 89.4% Tes tidak stabil 3 Token input 79,258 Token output 4,855 Token penalaran 23,853 Waktu respons (rata-rata) 11.48s Waktu respons (total) 252.62s Waktu respons (maks) 54.79s Jawaban salah: 4 Trik anti-AI : 8.7 Pemrograman : 10.0 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 : 4.7
#14#14	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 81.8% Tes tidak stabil 0 Token input 135,956 Token output 64,624 Token penalaran 30,959 Waktu respons (rata-rata) 22.51s Waktu respons (total) 495.12s Waktu respons (maks) 159.01s Jawaban salah: 2 Format tambahan: 1 Tidak ada jawaban: 1 Trik anti-AI : 10.0 Pemrograman : 10.0 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 3.0 Kecerdasan umum : 10.0 Kepatuhan instruksi : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#15#15	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 1 Token input 135,604 Token output 23,814 Token penalaran 12,804 Waktu respons (rata-rata) 10.26s Waktu respons (total) 225.66s Waktu respons (maks) 35.43s Jawaban salah: 3 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 : 10.0 Pemecahan teka-teki : 10.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#19#19	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 83.3% Tes tidak stabil 1 Token input 69,756 Token output 2,166 Token penalaran 60,007 Waktu respons (rata-rata) 8.48s Waktu respons (total) 186.57s Waktu respons (maks) 76.68s Jawaban salah: 3 Tidak mengikuti instruksi: 1 Trik anti-AI : 10.0 Pemrograman : 7.9 Gabungan : 10.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.9 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 10.0
#20#20	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
Lihat kartu model Total Tes 22 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 87.9% Tes tidak stabil 3 Token input 80,668 Token output 5,617 Token penalaran 119,699 Waktu respons (rata-rata) 38.97s Waktu respons (total) 857.43s Waktu respons (maks) 332.10s Jawaban salah: 4 Trik anti-AI : 10.0 Pemrograman : 8.8 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 : 2.8
#25#25	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
#28#28	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
#29#29	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
#31#31	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
#239#239	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Lihat kartu model Total Tes 16 Tes Salah 3 Keandalan T/A Tingkat lulus per percobaan 59.1% Tes tidak stabil 0 Token input 28,980 Token output 1,283 Token penalaran 1,533,310 Waktu respons (rata-rata) 68.14s Waktu respons (total) 1090.28s Waktu respons (maks) 280.52s Jawaban salah: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 7.5 Pemrograman : 0.0 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 7.7 Pemanggilan alat : 10.0 Pengetahuan umum : 0.0
#190#190	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
Lihat kartu model Total Tes 18 Tes Salah 4 Keandalan T/A Tingkat lulus per percobaan 66.7% Tes tidak stabil 1 Token input 35,955 Token output 1,647 Token penalaran 91,565 Waktu respons (rata-rata) 9.75s Waktu respons (total) 175.48s Waktu respons (maks) 31.36s Jawaban salah: 3 Tidak mengikuti instruksi: 1 Trik anti-AI : 8.7 Pemrograman : 3.3 Gabungan : 5.0 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 10.0 Kepatuhan instruksi : 9.8 Pemecahan teka-teki : 10.0 Pemanggilan alat : 3.0 Pengetahuan umum : 0.0

1 2 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