Peringkat Gabungan
Lihat model AI mana yang paling baik di Gabungan, mana yang tetap andal, dan di mana kesenjangan terbesar muncul. Urutkan berdasarkan: Tes benar ↓.
Alasan kegagalan
Dengan alasan kegagalan Pemanggilan alat tidak valid91 Dengan alasan kegagalan Jawaban salah68 Dengan alasan kegagalan Tidak ada jawaban29 Dengan alasan kegagalan Kesalahan API26 Dengan alasan kegagalan Kedaluwarsa5 Dengan alasan kegagalan Format tambahan1 Dengan alasan kegagalan Tidak mengikuti instruksi1
210/210
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) |
|---|---|---|---|---|---|---|---|
| #53 | GPT-5.4 Nano medium | OpenAI | 9.9 | 7.5 | $0.138 | 2/2 | 32.2s |
| #54 | GPT-5.3 Chat none | OpenAI | 10.0 | 7.5 | $0.571 | 2/2 | 15.1s |
| #63 | Claude Sonnet 4.6 none | Anthropic | 9.8 | 7.3 | $0.661 | 2/2 | 37.5s |
| #66 | Claude Opus 4.8 none | Anthropic | 9.8 | 7.3 | $1.166 | 2/2 | 26.4s |
| #71 | Qwen3.7 Plus none | Qwen | 10.0 | 7.2 | $0.106 | 2/2 | 117.7s |
| #74 | GLM 5.1 medium | Z.ai | 9.8 | 7.1 | $0.535 | 2/2 | 175.9s |
| #91 | LongCat 2.0 low | Meituan | 10.0 | 6.7 | $0.391 | 2/2 | 130.2s |
| #94 | Claude Opus 4.7 none | Anthropic | 4.8 | 6.6 | $0.505 | 1/1 | 18.3s |
| #97 | LongCat 2.0 high | Meituan | 10.0 | 6.6 | $0.469 | 2/2 | 167.1s |
| #100 | Hy3 preview medium | Tencent | 5.0 | 6.5 | $0.018 | 1/1 | 46.0s |
| #113 | MiMo-V2-Flash medium | Xiaomi | 4.9 | 6.3 | $0.043 | 1/1 | 75.7s |
| #131 | Grok 4.20 Beta medium | X AI | 5.0 | 6.0 | $0.750 | 1/1 | 20.9s |
| #134 | Mimo V2 Omni medium | Xiaomi | 5.0 | 5.9 | $0.683 | 1/1 | 25.9s |
| #135 | Hy3 preview high | Tencent | 5.0 | 5.9 | $0.048 | 1/1 | 113.1s |
| #143 | Gemini 3.1 Flash Lite high | 5.0 | 5.6 | $2.044 | 1/1 | 149.2s |