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: 2026-08-15 Model Dievaluasi: 287

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 $0.140 / 1M Harga output $0.280 / 1M Skor 8.0/10

287/287

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#271#271	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
Lihat kartu model Total Tes 21 Tes Salah 17 Keandalan 10.0 Tingkat lulus per percobaan 22.7% Tes tidak stabil 2 Token input 27,172 Token output 2,661 Token penalaran 0 Waktu respons (rata-rata) 12.92s Waktu respons (total) 232.64s Waktu respons (maks) 35.84s Jawaban salah: 8 Kesalahan API: 4 Tidak mengikuti instruksi: 4 Format tambahan: 1 Trik anti-AI : 4.8 Pemrograman : 2.7 Gabungan : 1.5 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.6 Kecerdasan umum : 4.1 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.1 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#272#272	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
Lihat kartu model Total Tes 21 Tes Salah 17 Keandalan 6.7 Tingkat lulus per percobaan 24.2% Tes tidak stabil 4 Token input 36,851 Token output 68,882 Token penalaran 0 Waktu respons (rata-rata) 2.76s Waktu respons (total) 46.99s Waktu respons (maks) 19.68s Jawaban salah: 13 Tidak mengikuti instruksi: 2 Kesalahan API: 1 Format tambahan: 1 Trik anti-AI : 3.2 Pemrograman : 4.3 Gabungan : 1.5 Parsing dan ekstraksi data : 2.9 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
#273#273	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
Lihat kartu model Total Tes 22 Tes Salah 20 Keandalan 9.8 Tingkat lulus per percobaan 9.1% Tes tidak stabil 0 Token input 184,579 Token output 110,071 Token penalaran 0 Waktu respons (rata-rata) 14.02s Waktu respons (total) 294.46s Waktu respons (maks) 240.61s Jawaban salah: 13 Tidak mengikuti instruksi: 4 Kesalahan API: 1 Format tambahan: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 4.8 Pemrograman : 4.2 Gabungan : 3.0 Parsing dan ekstraksi data : 6.3 Spesifik domain : 3.0 Kecerdasan umum : 3.4 Kepatuhan instruksi : 3.1 Pemecahan teka-teki : 3.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#274#274	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
Lihat kartu model Total Tes 22 Tes Salah 20 Keandalan 10.0 Tingkat lulus per percobaan 9.1% Tes tidak stabil 0 Token input 113,836 Token output 5,996 Token penalaran 0 Waktu respons (rata-rata) 1.44s Waktu respons (total) 31.75s Waktu respons (maks) 16.67s Jawaban salah: 13 Tidak mengikuti instruksi: 4 Pemanggilan alat tidak valid: 2 Format tambahan: 1 Trik anti-AI : 4.9 Pemrograman : 4.5 Gabungan : 3.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 3.0 Kecerdasan umum : 4.0 Kepatuhan instruksi : 3.6 Pemecahan teka-teki : 3.2 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#275#275	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.009 ↕	1.21s
Lihat kartu model Total Tes 22 Tes Salah 19 Keandalan 10.0 Tingkat lulus per percobaan 16.7% Tes tidak stabil 2 Token input 74,074 Token output 2,731 Token penalaran 0 Waktu respons (rata-rata) 1.21s Waktu respons (total) 26.62s Waktu respons (maks) 6.30s Jawaban salah: 16 Pemanggilan alat tidak valid: 2 Tidak mengikuti instruksi: 1 Trik anti-AI : 4.8 Pemrograman : 3.1 Gabungan : 3.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 3.0 Kecerdasan umum : 4.4 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 3.1 Pemanggilan alat : 2.8 Pengetahuan umum : 3.0
#276#276	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
#277#277	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
Lihat kartu model Total Tes 22 Tes Salah 18 Keandalan 10.0 Tingkat lulus per percobaan 24.2% Tes tidak stabil 3 Token input 115,314 Token output 133,965 Token penalaran 816,718 Waktu respons (rata-rata) 75.68s Waktu respons (total) 1589.20s Waktu respons (maks) 345.15s Tidak ada jawaban: 7 Jawaban salah: 6 Tidak mengikuti instruksi: 3 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.4 Pemrograman : 2.9 Gabungan : 3.0 Parsing dan ekstraksi data : 2.8 Spesifik domain : 2.9 Kecerdasan umum : 5.4 Kepatuhan instruksi : 6.8 Pemecahan teka-teki : 3.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#278#278	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
Lihat kartu model Total Tes 22 Tes Salah 18 Keandalan 9.6 Tingkat lulus per percobaan 19.7% Tes tidak stabil 1 Token input 99,662 Token output 146,555 Token penalaran 732,977 Waktu respons (rata-rata) 66.16s Waktu respons (total) 1389.33s Waktu respons (maks) 252.08s Tidak ada jawaban: 7 Jawaban salah: 5 Tidak mengikuti instruksi: 4 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.5 Pemrograman : 2.9 Gabungan : 3.0 Parsing dan ekstraksi data : 2.8 Spesifik domain : 3.0 Kecerdasan umum : 5.1 Kepatuhan instruksi : 6.6 Pemecahan teka-teki : 3.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#279#279	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
Lihat kartu model Total Tes 19 Tes Salah 16 Keandalan 10.0 Tingkat lulus per percobaan 19.7% Tes tidak stabil 3 Token input 36,608 Token output 1,723 Token penalaran 0 Waktu respons (rata-rata) 1.62s Waktu respons (total) 19.48s Waktu respons (maks) 5.51s Jawaban salah: 13 Tidak mengikuti instruksi: 3 Trik anti-AI : 3.2 Pemrograman : 1.8 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.9 Kecerdasan umum : 4.4 Kepatuhan instruksi : 3.0 Pemecahan teka-teki : 3.0 Pemanggilan alat : 2.8 Pengetahuan umum : 3.0
#280#280	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
Lihat kartu model Total Tes 22 Tes Salah 19 Keandalan 6.0 Tingkat lulus per percobaan 25.8% Tes tidak stabil 5 Token input 17,195 Token output 46,735 Token penalaran 366,707 Waktu respons (rata-rata) 107.51s Waktu respons (total) 1720.15s Waktu respons (maks) 569.97s Kedaluwarsa: 11 Tidak ada jawaban: 3 Jawaban salah: 2 Kesalahan API: 1 Format tambahan: 1 Tidak mengikuti instruksi: 1 Trik anti-AI : 5.1 Pemrograman : 2.9 Gabungan : 3.0 Parsing dan ekstraksi data : 3.6 Spesifik domain : 3.6 Kecerdasan umum : 2.8 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 3.0 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#281#281	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
Lihat kartu model Total Tes 22 Tes Salah 18 Keandalan 9.6 Tingkat lulus per percobaan 24.2% Tes tidak stabil 3 Token input 103,898 Token output 148,304 Token penalaran 774,972 Waktu respons (rata-rata) 68.08s Waktu respons (total) 1429.66s Waktu respons (maks) 262.20s Tidak ada jawaban: 7 Jawaban salah: 5 Tidak mengikuti instruksi: 4 Kesalahan API: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 6.5 Pemrograman : 2.9 Gabungan : 3.0 Parsing dan ekstraksi data : 2.7 Spesifik domain : 3.0 Kecerdasan umum : 3.8 Kepatuhan instruksi : 6.8 Pemecahan teka-teki : 3.6 Pemanggilan alat : 10.0 Pengetahuan umum : 3.0
#282#282	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
Lihat kartu model Total Tes 19 Tes Salah 14 Keandalan 10.0 Tingkat lulus per percobaan 22.7% Tes tidak stabil 0 Token input 33,675 Token output 2,826 Token penalaran 0 Waktu respons (rata-rata) 806ms Waktu respons (total) 12.09s Waktu respons (maks) 2.01s Jawaban salah: 8 Kesalahan API: 4 Tidak mengikuti instruksi: 1 Pemanggilan alat tidak valid: 1 Trik anti-AI : 3.0 Pemrograman : 8.3 Gabungan : 1.5 Parsing dan ekstraksi data : 10.0 Spesifik domain : 5.3 Kecerdasan umum : 3.0 Kepatuhan instruksi : 6.5 Pemecahan teka-teki : 5.3 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#283#283	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
#284#284	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
Lihat kartu model Total Tes 19 Tes Salah 15 Keandalan 10.0 Tingkat lulus per percobaan 27.3% Tes tidak stabil 5 Token input 11,661 Token output 48,491 Token penalaran 180,695 Waktu respons (rata-rata) 17.13s Waktu respons (total) 222.66s Waktu respons (maks) 147.45s Jawaban salah: 7 Kesalahan API: 6 Tidak mengikuti instruksi: 1 Tidak ada jawaban: 1 Trik anti-AI : 6.4 Pemrograman : 1.1 Gabungan : 1.5 Parsing dan ekstraksi data : 7.3 Spesifik domain : 2.9 Kecerdasan umum : 3.0 Kepatuhan instruksi : 7.3 Pemecahan teka-teki : 2.9 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#285#285	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	NVIDIA	$0.000	728ms
Lihat kartu model Total Tes 19 Tes Salah 17 Keandalan 10.0 Tingkat lulus per percobaan 15.2% Tes tidak stabil 2 Token input 11,661 Token output 1,302 Token penalaran 0 Waktu respons (rata-rata) 728ms Waktu respons (total) 9.47s Waktu respons (maks) 2.21s Jawaban salah: 9 Kesalahan API: 6 Tidak mengikuti instruksi: 2 Trik anti-AI : 4.8 Pemrograman : 3.3 Gabungan : 1.5 Parsing dan ekstraksi data : 3.8 Spesifik domain : 3.6 Kecerdasan umum : 3.0 Kepatuhan instruksi : 4.8 Pemecahan teka-teki : 3.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#286#286	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
Lihat kartu model Total Tes 12 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 27.3% Tes tidak stabil 0 Token input 1,971 Token output 64,795 Token penalaran 0 Waktu respons (rata-rata) 39.03s Waktu respons (total) 312.26s Waktu respons (maks) 114.12s Kesalahan API: 4 Tidak mengikuti instruksi: 1 Jawaban salah: 1 Trik anti-AI : 10.0 Pemrograman : 9.8 Gabungan : 1.5 Parsing dan ekstraksi data : 1.5 Spesifik domain : 3.3 Kecerdasan umum : 4.0 Kepatuhan instruksi : 5.0 Pemecahan teka-teki : 0.0 Pemanggilan alat : 3.0 Pengetahuan umum : 3.0
#287#287	LFM2-24B-A2Bnone	2.2	Liquid	$0.001	782ms
Lihat kartu model Total Tes 16 Tes Salah 14 Keandalan T/A Tingkat lulus per percobaan 12.1% Tes tidak stabil 1 Token input 10,771 Token output 1,173 Token penalaran 0 Waktu respons (rata-rata) 782ms Waktu respons (total) 10.94s Waktu respons (maks) 3.15s Jawaban salah: 9 Kesalahan API: 4 Tidak mengikuti instruksi: 1 Trik anti-AI : 2.5 Pemrograman : 0.0 Gabungan : 1.5 Parsing dan ekstraksi data : 3.0 Spesifik domain : 5.9 Kecerdasan umum : 4.0 Kepatuhan instruksi : 6.3 Pemecahan teka-teki : 3.8 Pemanggilan alat : 3.0 Pengetahuan umum : 0.0

←

1 9 10

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

Leaderboard AI Benchy

Model rekomendasi

Filter model

Perbandingan Cepat