Leaderboard do AI Benchy

Name: Resultados de benchmark de modelos AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks gerados a partir das suítes de teste do AI BENCHY em: 2026-09-02 Modelos avaliados: 311

Modelos recomendados

GPT-5.6 Sol high Inteligente Taxa de acerto por tentativa 89.4% Testes corretos 18 / 22 Pontuação 9.4/10 GPT-5.6 Luna medium Rápido Tempo de resposta (médio) 7.43s Total de tokens de saída 44,525 Pontuação 7.4/10 DeepSeek V4 Flash 0731 high Acessível Preço de entrada $0.065 / 1M Preço de saída $0.180 / 1M Pontuação 8.0/10

311/311

Posição	Modelo	Pontuação	Empresa	Custo total	Tempo de resposta (médio)
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
Ver cartão do modelo Total de testes 22 Testes errados 8 Confiabilidade 9.4 Taxa de acerto por tentativa 74.2% Testes instáveis 4 Tokens de entrada 108,931 Tokens de saída 112,801 Tokens de raciocínio 343,227 Tempo de resposta (médio) 120.59s Tempo de resposta (total) 2653.05s Tempo de resposta (máx.) 532.28s Resposta incorreta: 3 Não seguiu as instruções: 2 Sem resposta: 2 Chamada de ferramenta inválida: 1 Truques anti-IA : 10.0 Programação : 5.9 Combinado : 6.9 Análise e extração de dados : 10.0 Específico do domínio : 4.1 Inteligência geral : 6.1 Seguimento de instruções : 9.8 Resolução de quebra-cabeças : 10.0 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
Ver cartão do modelo Total de testes 22 Testes errados 11 Confiabilidade 10.0 Taxa de acerto por tentativa 56.1% Testes instáveis 2 Tokens de entrada 134,582 Tokens de saída 8,955 Tokens de raciocínio 15,420 Tempo de resposta (médio) 10.33s Tempo de resposta (total) 227.37s Tempo de resposta (máx.) 33.10s Formatação extra: 4 Resposta incorreta: 4 Não seguiu as instruções: 3 Truques anti-IA : 6.5 Programação : 3.4 Combinado : 10.0 Análise e extração de dados : 10.0 Específico do domínio : 4.1 Inteligência geral : 10.0 Seguimento de instruções : 6.5 Resolução de quebra-cabeças : 7.7 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
Ver cartão do modelo Total de testes 22 Testes errados 7 Confiabilidade 9.4 Taxa de acerto por tentativa 72.7% Testes instáveis 2 Tokens de entrada 113,279 Tokens de saída 121,045 Tokens de raciocínio 374,496 Tempo de resposta (médio) 118.97s Tempo de resposta (total) 2617.41s Tempo de resposta (máx.) 534.21s Resposta incorreta: 4 Sem resposta: 2 Chamada de ferramenta inválida: 1 Truques anti-IA : 10.0 Programação : 7.8 Combinado : 8.2 Análise e extração de dados : 10.0 Específico do domínio : 3.2 Inteligência geral : 6.1 Seguimento de instruções : 9.8 Resolução de quebra-cabeças : 10.0 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#53#53	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
Ver cartão do modelo Total de testes 22 Testes errados 7 Confiabilidade 10.0 Taxa de acerto por tentativa 81.8% Testes instáveis 6 Tokens de entrada 135,112 Tokens de saída 7,594 Tokens de raciocínio 23,558 Tempo de resposta (médio) 11.67s Tempo de resposta (total) 256.73s Tempo de resposta (máx.) 36.59s Resposta incorreta: 3 Sem resposta: 2 Formatação extra: 1 Não seguiu as instruções: 1 Truques anti-IA : 8.2 Programação : 7.0 Combinado : 10.0 Análise e extração de dados : 10.0 Específico do domínio : 7.7 Inteligência geral : 10.0 Seguimento de instruções : 7.3 Resolução de quebra-cabeças : 7.6 Chamada de ferramentas : 10.0 Conhecimentos gerais : 2.8
#82#82	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
Ver cartão do modelo Total de testes 22 Testes errados 9 Confiabilidade 10.0 Taxa de acerto por tentativa 63.6% Testes instáveis 3 Tokens de entrada 108,573 Tokens de saída 69,994 Tokens de raciocínio 26,728 Tempo de resposta (médio) 32.23s Tempo de resposta (total) 515.65s Tempo de resposta (máx.) 151.51s Formatação extra: 4 Resposta incorreta: 4 Não seguiu as instruções: 1 Truques anti-IA : 6.4 Programação : 5.7 Combinado : 10.0 Análise e extração de dados : 10.0 Específico do domínio : 3.0 Inteligência geral : 10.0 Seguimento de instruções : 10.0 Resolução de quebra-cabeças : 7.7 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#40#40	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
Ver cartão do modelo Total de testes 22 Testes errados 5 Confiabilidade 10.0 Taxa de acerto por tentativa 78.8% Testes instáveis 1 Tokens de entrada 89,640 Tokens de saída 33,092 Tokens de raciocínio 9,054 Tempo de resposta (médio) 15.01s Tempo de resposta (total) 330.15s Tempo de resposta (máx.) 80.80s Sem resposta: 3 Chamada de ferramenta inválida: 1 Resposta incorreta: 1 Truques anti-IA : 10.0 Programação : 10.0 Combinado : 6.5 Análise e extração de dados : 10.0 Específico do domínio : 5.3 Inteligência geral : 10.0 Seguimento de instruções : 10.0 Resolução de quebra-cabeças : 7.7 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#15#15	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
Ver cartão do modelo Total de testes 22 Testes errados 4 Confiabilidade 10.0 Taxa de acerto por tentativa 81.8% Testes instáveis 0 Tokens de entrada 135,956 Tokens de saída 64,624 Tokens de raciocínio 30,959 Tempo de resposta (médio) 22.51s Tempo de resposta (total) 495.12s Tempo de resposta (máx.) 159.01s Resposta incorreta: 2 Formatação extra: 1 Sem resposta: 1 Truques anti-IA : 10.0 Programação : 10.0 Combinado : 10.0 Análise e extração de dados : 10.0 Específico do domínio : 3.0 Inteligência geral : 10.0 Seguimento de instruções : 10.0 Resolução de quebra-cabeças : 10.0 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
Ver cartão do modelo Total de testes 22 Testes errados 3 Confiabilidade 10.0 Taxa de acerto por tentativa 89.4% Testes instáveis 1 Tokens de entrada 135,958 Tokens de saída 7,930 Tokens de raciocínio 32,141 Tempo de resposta (médio) 13.59s Tempo de resposta (total) 298.90s Tempo de resposta (máx.) 40.17s Resposta incorreta: 3 Truques anti-IA : 10.0 Programação : 8.4 Combinado : 10.0 Análise e extração de dados : 10.0 Específico do domínio : 7.7 Inteligência geral : 10.0 Seguimento de instruções : 10.0 Resolução de quebra-cabeças : 10.0 Chamada de ferramentas : 10.0 Conhecimentos gerais : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
Ver cartão do modelo Total de testes 22 Testes errados 6 Confiabilidade 9.0 Taxa de acerto por tentativa 77.3% Testes instáveis 2 Tokens de entrada 34,960 Tokens de saída 2,887 Tokens de raciocínio 221,241 Tempo de resposta (médio) 142.84s Tempo de resposta (total) 2714.02s Tempo de resposta (máx.) 766.58s Erro de API: 2 Sem resposta: 2 Formatação extra: 1 Tempo esgotado: 1 Truques anti-IA : 10.0 Programação : 10.0 Combinado : 6.5 Análise e extração de dados : 7.3 Específico do domínio : 5.3 Inteligência geral : 10.0 Seguimento de instruções : 10.0 Resolução de quebra-cabeças : 10.0 Chamada de ferramentas : 3.0 Conhecimentos gerais : 3.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
Ver cartão do modelo Total de testes 22 Testes errados 4 Confiabilidade 10.0 Taxa de acerto por tentativa 87.9% Testes instáveis 3 Tokens de entrada 80,668 Tokens de saída 5,617 Tokens de raciocínio 119,699 Tempo de resposta (médio) 38.97s Tempo de resposta (total) 857.43s Tempo de resposta (máx.) 332.10s Resposta incorreta: 4 Truques anti-IA : 10.0 Programação : 8.8 Combinado : 10.0 Análise e extração de dados : 10.0 Específico do domínio : 5.3 Inteligência geral : 10.0 Seguimento de instruções : 10.0 Resolução de quebra-cabeças : 10.0 Chamada de ferramentas : 10.0 Conhecimentos gerais : 2.8
#273#273	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Ver cartão do modelo Total de testes 18 Testes errados 10 Confiabilidade N/D Taxa de acerto por tentativa 48.5% Testes instáveis 5 Tokens de entrada 721,952 Tokens de saída 294,668 Tokens de raciocínio 305,374 Tempo de resposta (médio) 9.69s Tempo de resposta (total) 155.07s Tempo de resposta (máx.) 35.28s Resposta incorreta: 4 Erro de API: 2 Formatação extra: 2 Não seguiu as instruções: 2 Truques anti-IA : 6.9 Programação : 3.3 Combinado : 1.5 Análise e extração de dados : 10.0 Específico do domínio : 2.9 Inteligência geral : 5.8 Seguimento de instruções : 9.8 Resolução de quebra-cabeças : 6.7 Chamada de ferramentas : 3.0 Conhecimentos gerais : 0.0

←

1 12 13

Tendências globais do benchmark

Veja como os modelos atuais equilibram pontuação, custo, velocidade, comprimento da saída e desempenho por categoria.

Gráficos →

Fronteira de Pareto: inteligência vs custo

Evolução da melhor pontuação das empresas líderes

Fronteira de Pareto: inteligência vs velocidade de resposta

Fronteira de Pareto: pontuação vs tokens de saída

Dificuldade das categorias entre os modelos

Comparação rápida

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 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