Clasament AI Benchy

Name: Rezultate benchmark modele AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-10-01 Modele evaluate: 382

Modele recomandate

GPT-6.1 Sol xhigh Inteligent Rată de trecere pe încercare 97.1% Teste corecte 22 / 23 Scor 9.9/10 Gemini 3.7 Flash low Rapid Timp de răspuns (mediu) 6.24s Total tokenuri de ieșire 38,453 Scor 9.4/10 GPT-6 Luna high Accesibil Preț de intrare $0.100 / 1M Preț de ieșire $0.500 / 1M Preț citire cache $0.010 / 1M Preț scriere cache $0.125 / 1M Scor 7.7/10

382/382

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#157#157	Ember-1low	7.0	Fireworks	$1.488	34.90s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 8.8 Rată de trecere pe încercare 65.2% Teste instabile 5 Tokenuri de intrare 211,908 Tokenuri de ieșire 14,158 Tokenuri de raționament 42,608 Timp de răspuns (mediu) 34.90s Timp de răspuns (total) 802.79s Timp de răspuns (maxim) 121.29s Eroare API: 6 Răspuns greșit: 3 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#156#156	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 5 Tokenuri de intrare 245,179 Tokenuri de ieșire 62,697 Tokenuri de raționament 196,621 Timp de răspuns (mediu) 81.18s Timp de răspuns (total) 1785.87s Timp de răspuns (maxim) 365.80s Răspuns greșit: 8 Timp expirat: 2 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.3 Programare : 7.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#155#155	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 272,221 Tokenuri de ieșire 12,345 Tokenuri de raționament 47,189 Timp de răspuns (mediu) 6.78s Timp de răspuns (total) 155.96s Timp de răspuns (maxim) 54.91s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 7.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#154#154	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 2 Tokenuri de intrare 79,249 Tokenuri de ieșire 5,097 Tokenuri de raționament 165,276 Timp de răspuns (mediu) 66.52s Timp de răspuns (total) 1463.50s Timp de răspuns (maxim) 238.07s Răspuns greșit: 4 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#153#153	GPT-5.2 Chatnone	7.0	OpenAI	$0.594	7.43s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 4 Tokenuri de intrare 101,104 Tokenuri de ieșire 29,742 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.43s Timp de răspuns (total) 163.35s Timp de răspuns (maxim) 38.52s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#152#152	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 7 Tokenuri de intrare 259,664 Tokenuri de ieșire 8,414 Tokenuri de raționament 333,097 Timp de răspuns (mediu) 49.20s Timp de răspuns (total) 1131.69s Timp de răspuns (maxim) 316.27s Răspuns greșit: 5 Formatare suplimentară: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 8.7 Parsare și extragere de date : 2.7 Specific domeniului : 3.6 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#151#151	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 256,428 Tokenuri de ieșire 9,786 Tokenuri de raționament 575,630 Timp de răspuns (mediu) 54.57s Timp de răspuns (total) 1255.15s Timp de răspuns (maxim) 345.18s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 8.4 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#150#150	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 8 Tokenuri de intrare 205,100 Tokenuri de ieșire 8,639 Tokenuri de raționament 21,409 Timp de răspuns (mediu) 7.37s Timp de răspuns (total) 169.54s Timp de răspuns (maxim) 74.39s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 6.0 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#149#149	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 396,120 Tokenuri de ieșire 31,386 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.78s Timp de răspuns (total) 247.96s Timp de răspuns (maxim) 79.61s Răspuns greșit: 7 Formatare suplimentară: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.4 Trucuri anti-AI : 5.5 Programare : 5.9 Combinat : 8.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#148#148	Qwen3.6 27Bmedium	7.2	Qwen	$1.006 ↑	107.79s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 7 Tokenuri de intrare 264,147 Tokenuri de ieșire 34,419 Tokenuri de raționament 253,480 Timp de răspuns (mediu) 107.79s Timp de răspuns (total) 2479.26s Timp de răspuns (maxim) 1085.11s Răspuns greșit: 5 Fără răspuns: 3 Apel de instrument invalid: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 7.7 Combinat : 6.7 Parsare și extragere de date : 3.5 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#147#147	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 6 Tokenuri de intrare 292,685 Tokenuri de ieșire 339,108 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.72s Timp de răspuns (total) 476.67s Timp de răspuns (maxim) 124.75s Răspuns greșit: 9 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 7.3 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#146#146	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 5 Tokenuri de intrare 212,440 Tokenuri de ieșire 22,922 Tokenuri de raționament 115,335 Timp de răspuns (mediu) 39.05s Timp de răspuns (total) 546.68s Timp de răspuns (maxim) 110.70s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 5.0 Parsare și extragere de date : 7.1 Specific domeniului : 3.5 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#145#145	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 3 Tokenuri de intrare 287,669 Tokenuri de ieșire 47,204 Tokenuri de raționament 375,030 Timp de răspuns (mediu) 144.88s Timp de răspuns (total) 3332.19s Timp de răspuns (maxim) 939.52s Răspuns greșit: 8 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#144#144	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 7 Tokenuri de intrare 293,775 Tokenuri de ieșire 13,527 Tokenuri de raționament 396,291 Timp de răspuns (mediu) 45.48s Timp de răspuns (total) 1045.97s Timp de răspuns (maxim) 431.47s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#143#143	Claude Opus 4.8low	7.2	Anthropic	$3.787	17.13s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 4 Tokenuri de intrare 409,947 Tokenuri de ieșire 46,060 Tokenuri de raționament 23,429 Timp de răspuns (mediu) 17.13s Timp de răspuns (total) 394.01s Timp de răspuns (maxim) 127.97s Răspuns greșit: 5 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 9.9 Parsare și extragere de date : 6.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#142#142	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.9 Rată de trecere pe încercare 81.2% Teste instabile 5 Tokenuri de intrare 215,836 Tokenuri de ieșire 9,452 Tokenuri de raționament 33,289 Timp de răspuns (mediu) 7.54s Timp de răspuns (total) 173.36s Timp de răspuns (maxim) 67.18s Răspuns greșit: 6 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#141#141	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.7 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 277,164 Tokenuri de ieșire 1,913 Tokenuri de raționament 168,783 Timp de răspuns (mediu) 40.09s Timp de răspuns (total) 881.89s Timp de răspuns (maxim) 214.63s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.7 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#140#140	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 6 Tokenuri de intrare 249,486 Tokenuri de ieșire 14,481 Tokenuri de raționament 288,249 Timp de răspuns (mediu) 97.68s Timp de răspuns (total) 1562.81s Timp de răspuns (maxim) 304.85s Răspuns greșit: 6 Timp expirat: 2 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.2 Programare : 6.6 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#139#139	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 2 Tokenuri de intrare 283,977 Tokenuri de ieșire 36,422 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.98s Timp de răspuns (total) 229.52s Timp de răspuns (maxim) 124.53s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 4.8 Programare : 5.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 7 Tokenuri de intrare 388,307 Tokenuri de ieșire 10,412 Tokenuri de raționament 118,802 Timp de răspuns (mediu) 8.68s Timp de răspuns (total) 199.65s Timp de răspuns (maxim) 86.92s Răspuns greșit: 6 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 7.9 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 2.8
#137#137	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 3 Tokenuri de intrare 222,601 Tokenuri de ieșire 8,185 Tokenuri de raționament 238,605 Timp de răspuns (mediu) 57.41s Timp de răspuns (total) 1263.02s Timp de răspuns (maxim) 307.08s Răspuns greșit: 6 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#135#135	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 1 Tokenuri de intrare 132,507 Tokenuri de ieșire 12,739 Tokenuri de raționament 228,626 Timp de răspuns (mediu) 20.51s Timp de răspuns (total) 471.64s Timp de răspuns (maxim) 140.50s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 8.4 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#136#136	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 4 Tokenuri de intrare 275,080 Tokenuri de ieșire 32,447 Tokenuri de raționament 372,188 Timp de răspuns (mediu) 151.67s Timp de răspuns (total) 3488.43s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.9 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Grok 4.7medium	7.3	X AI	$2.938	117.65s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 78.3% Teste instabile 5 Tokenuri de intrare 326,066 Tokenuri de ieșire 5,726 Tokenuri de raționament 469,019 Timp de răspuns (mediu) 117.65s Timp de răspuns (total) 2706.03s Timp de răspuns (maxim) 660.89s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#133#133	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 6 Tokenuri de intrare 157,142 Tokenuri de ieșire 8,149 Tokenuri de raționament 24,357 Timp de răspuns (mediu) 11.87s Timp de răspuns (total) 272.91s Timp de răspuns (maxim) 36.59s Răspuns greșit: 3 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 7.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 2.8

←

1 9 10 11 16

→

Tendințe globale ale benchmarkului

Vezi cum echilibrează modelele actuale scorul, costul, viteza, lungimea răspunsului și performanța pe categorii.

Grafice →

Frontiera Pareto: inteligență vs cost

Evoluția celui mai bun scor al companiilor de top

Frontiera Pareto: inteligență vs viteza de răspuns

Frontiera Pareto: scor vs tokenuri de ieșire

Dificultatea categoriilor între modele

Comparație rapidă

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