Peringkat Gabungan
Lihat model AI mana yang paling baik di Gabungan, mana yang tetap andal, dan di mana kesenjangan terbesar muncul. Urutkan berdasarkan: Metrik ↑.
Alasan kegagalan
Dengan alasan kegagalan Pemanggilan alat tidak valid147 Dengan alasan kegagalan Jawaban salah95 Dengan alasan kegagalan Tidak ada jawaban43 Dengan alasan kegagalan Kesalahan API37 Dengan alasan kegagalan Kedaluwarsa9 Dengan alasan kegagalan Format tambahan1 Dengan alasan kegagalan Tidak mengikuti instruksi1
311/311
Filter model
Tidak ada model yang cocok dengan pencarian dan filter saat ini.
| Peringkat | Model | Perusahaan | Skor Gabungan | Skor | Total Biaya | Tes benar | Waktu respons (rata-rata) |
|---|---|---|---|---|---|---|---|
| #19 | Qwen3.7 Max medium | Qwen | 8.7 | 9.1 | $1.157 | 1/2 | 287.8s |
| #23 | Qwen3.8 Max medium | Qwen | 8.7 | 9.0 | $0.771 | 1/2 | 91.3s |
| #65 | GPT-5.6 Terra high | OpenAI | 8.7 | 8.0 | $0.836 | 1/2 | 13.7s |
| #76 | Qwen3.8 27B medium | Qwen | 8.7 | 7.8 | ~$0.058 | 1/2 | 124.5s |
| #91 | GPT-5.6 Terra low | OpenAI | 8.7 | 7.5 | $0.420 | 1/2 | 9.68s |
| #132 | Grok 4.20 medium | X AI | 8.7 | 7.0 | $0.805 | 1/2 | 42.2s |
| #141 | Step 3.7 Flash high | Stepfun | 8.7 | 6.8 | $1.229 | 1/2 | 41.2s |
| #173 | MiMo-V2.5 medium | Xiaomi | 8.7 | 6.4 | $0.104 | 1/2 | 78.0s |
| #13 | Gemini 3.1 Pro Preview medium | 9.8 | 9.2 | $1.352 | 2/2 | 40.4s | |
| #108 | Claude Sonnet 4.6 none | Anthropic | 9.8 | 7.3 | $0.661 | 2/2 | 37.5s |
| #115 | Claude Opus 4.8 none | Anthropic | 9.8 | 7.3 | $1.166 | 2/2 | 26.4s |
| #129 | GLM 5.1 medium | Z.ai | 9.8 | 7.0 | $0.727 | 2/2 | 175.9s |
| #44 | Muse Spark 1.2 low | Meta | 9.8 | 8.4 | $0.655 | 2/2 | 17.0s |
| #61 | DeepSeek V4 Flash 0731 low | DeepSeek | 9.8 | 8.0 | $0.044 | 2/2 | 54.2s |
| #30 | Gemini 3.5 Flash Lite high | 9.9 | 8.8 | $0.540 | 2/2 | 27.9s |