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: 2026-10-01 Model Dievaluasi: 382

Model rekomendasi

GPT-6.1 Sol xhigh Cerdas Tingkat lulus per percobaan 97.1% Tes benar 22 / 23 Skor 9.9/10 Gemini 3.7 Flash low Cepat Waktu respons (rata-rata) 6.24s Total token output 38,453 Skor 9.4/10 GPT-6 Luna high Terjangkau Harga input $0.100 / 1M Harga output $0.500 / 1M Harga baca cache $0.010 / 1M Harga tulis cache $0.125 / 1M Skor 7.7/10

382/382

Peringkat	Model	Skor	Perusahaan	Total Biaya	Waktu respons (rata-rata)
#376#376	Kev 4Bnone	2.4	Jaredpalmer	$0.002	5.63s
Lihat kartu model Total Tes 12 Tes Salah 9 Keandalan 10.0 Tingkat lulus per percobaan 15.9% Tes tidak stabil 1 Token input 42,804 Token output 28,061 Token penalaran 0 Waktu respons (rata-rata) 5.63s Waktu respons (total) 67.61s Waktu respons (maks) 17.79s Jawaban salah: 9 Tugas agen : 0.0 Trik anti-AI : 2.3 Pemrograman : 4.5 Gabungan : 0.0 Parsing dan ekstraksi data : 6.5 Spesifik domain : 5.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 2.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#377#377	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
Lihat kartu model Total Tes 12 Tes Salah 6 Keandalan 10.0 Tingkat lulus per percobaan 26.1% 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 Tugas agen : 0.0 Trik anti-AI : 10.0 Pemrograman : 1.0 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
#378#378	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
Lihat kartu model Total Tes 1 Tes Salah 0 Keandalan 10.0 Tingkat lulus per percobaan 4.4% Tes tidak stabil 0 Token input 134,050 Token output 1,029 Token penalaran 11,528 Waktu respons (rata-rata) 52.45s Waktu respons (total) 52.45s Waktu respons (maks) 52.45s Tugas agen : 10.0 Trik anti-AI : 0.0 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 0.0 Spesifik domain : 0.0 Kecerdasan umum : 0.0 Kepatuhan instruksi : 0.0 Pemecahan teka-teki : 0.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#379#379	LFM2-24B-A2Bnone	1.8	Liquid	$0.001	782ms
Lihat kartu model Total Tes 16 Tes Salah 14 Keandalan T/A Tingkat lulus per percobaan 11.6% 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 Tugas agen : 0.0 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
#380#380	Solar Decidenone	1.0	Upstage	$0.009 ↑	6.01s
Lihat kartu model Total Tes 7 Tes Salah 5 Keandalan 10.0 Tingkat lulus per percobaan 14.5% Tes tidak stabil 3 Token input 47,586 Token output 51 Token penalaran 0 Waktu respons (rata-rata) 6.01s Waktu respons (total) 42.05s Waktu respons (maks) 13.10s Jawaban salah: 5 Tugas agen : 0.0 Trik anti-AI : 0.8 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 3.7 Spesifik domain : 4.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 5.0 Pemecahan teka-teki : 1.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#381#381	Tev1 4B Experimentalnone	1.0	Togethercomputer	$0.002	498ms
Lihat kartu model Total Tes 7 Tes Salah 4 Keandalan 10.0 Tingkat lulus per percobaan 13.0% Tes tidak stabil 0 Token input 33,864 Token output 96 Token penalaran 0 Waktu respons (rata-rata) 498ms Waktu respons (total) 3.49s Waktu respons (maks) 602ms Jawaban salah: 4 Tugas agen : 0.0 Trik anti-AI : 2.5 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 3.0 Spesifik domain : 6.7 Kecerdasan umum : 0.0 Kepatuhan instruksi : 1.5 Pemecahan teka-teki : 1.7 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0
#382#382	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
Lihat kartu model Total Tes 1 Tes Salah 0 Keandalan 10.0 Tingkat lulus per percobaan 4.4% Tes tidak stabil 0 Token input 73 Token output 735 Token penalaran 0 Waktu respons (rata-rata) 13.58s Waktu respons (total) 13.58s Waktu respons (maks) 13.58s Tugas agen : 0.0 Trik anti-AI : 0.0 Pemrograman : 0.0 Gabungan : 0.0 Parsing dan ekstraksi data : 0.0 Spesifik domain : 3.3 Kecerdasan umum : 0.0 Kepatuhan instruksi : 0.0 Pemecahan teka-teki : 0.0 Pemanggilan alat : 0.0 Pengetahuan umum : 0.0

←

1 15 16

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 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow