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: 2026-10-17 Modele evaluate: 442

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

442/442

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#179#179	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
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 8.6 Rată de trecere pe încercare 71.0% Teste instabile 8 Tokenuri de intrare 195,489 Tokenuri de ieșire 12,475 Tokenuri de raționament 108,748 Timp de răspuns (mediu) 58.14s Timp de răspuns (total) 1337.19s Timp de răspuns (maxim) 255.06s Eroare API: 7 Răspuns greșit: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 4 Tokenuri de intrare 226,880 Tokenuri de ieșire 65,346 Tokenuri de raționament 331,325 Timp de răspuns (mediu) 121.25s Timp de răspuns (total) 2667.55s Timp de răspuns (maxim) 876.20s Răspuns greșit: 4 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.0 Programare : 5.7 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
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 349,177 Tokenuri de ieșire 54,279 Tokenuri de raționament 477,389 Timp de răspuns (mediu) 83.68s Timp de răspuns (total) 1840.92s Timp de răspuns (maxim) 515.38s Răspuns greșit: 5 Timp expirat: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 58.0% Teste instabile 2 Tokenuri de intrare 150,033 Tokenuri de ieșire 22,347 Tokenuri de raționament 402,143 Timp de răspuns (mediu) 142.76s Timp de răspuns (total) 3283.43s Timp de răspuns (maxim) 491.42s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Formatare suplimentară: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.3 Programare : 5.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#211#211	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 3 Tokenuri de intrare 207,852 Tokenuri de ieșire 5,555 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.61s Timp de răspuns (total) 105.93s Timp de răspuns (maxim) 58.28s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#214#214	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 2 Tokenuri de intrare 205,108 Tokenuri de ieșire 6,197 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.75s Timp de răspuns (total) 109.31s Timp de răspuns (maxim) 57.53s Răspuns greșit: 11 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#223#223	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 3 Tokenuri de intrare 282,192 Tokenuri de ieșire 75,306 Tokenuri de raționament 700,868 Timp de răspuns (mediu) 59.92s Timp de răspuns (total) 1258.32s Timp de răspuns (maxim) 817.57s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 298,512 Tokenuri de ieșire 3,178 Tokenuri de raționament 177,419 Timp de răspuns (mediu) 7.61s Timp de răspuns (total) 175.08s Timp de răspuns (maxim) 86.84s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#225#225	Mercury 2.5high	6.5	Inception	$0.044	7.62s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.8 Rată de trecere pe încercare 59.4% Teste instabile 4 Tokenuri de intrare 358,562 Tokenuri de ieșire 4,266 Tokenuri de raționament 189,410 Timp de răspuns (mediu) 7.62s Timp de răspuns (total) 175.36s Timp de răspuns (maxim) 80.30s Răspuns greșit: 9 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 6.4 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 212,065 Tokenuri de ieșire 4,428 Tokenuri de raționament 154,069 Timp de răspuns (mediu) 9.18s Timp de răspuns (total) 211.12s Timp de răspuns (maxim) 44.64s Răspuns greșit: 8 Eroare API: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 3.0 Cultură generală : 3.0
#227#227	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 247,871 Tokenuri de ieșire 10,791 Tokenuri de raționament 17,315 Timp de răspuns (mediu) 15.18s Timp de răspuns (total) 349.06s Timp de răspuns (maxim) 83.60s Răspuns greșit: 8 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.9 Programare : 6.2 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#230#230	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 325,471 Tokenuri de ieșire 14,867 Tokenuri de raționament 217,675 Timp de răspuns (mediu) 44.53s Timp de răspuns (total) 1024.25s Timp de răspuns (maxim) 216.69s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#234#234	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 2 Tokenuri de intrare 199,105 Tokenuri de ieșire 4,274 Tokenuri de raționament 195,495 Timp de răspuns (mediu) 11.10s Timp de răspuns (total) 255.26s Timp de răspuns (maxim) 54.48s Răspuns greșit: 6 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 3.0 Cultură generală : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 60.9% Teste instabile 5 Tokenuri de intrare 299,558 Tokenuri de ieșire 33,248 Tokenuri de raționament 374,819 Timp de răspuns (mediu) 133.93s Timp de răspuns (total) 3080.36s Timp de răspuns (maxim) 519.91s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 317,982 Tokenuri de ieșire 3,918 Tokenuri de raționament 135,028 Timp de răspuns (mediu) 7.74s Timp de răspuns (total) 178.07s Timp de răspuns (maxim) 107.89s Răspuns greșit: 9 Eroare API: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#247#247	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 275,779 Tokenuri de ieșire 14,401 Tokenuri de raționament 25,511 Timp de răspuns (mediu) 4.79s Timp de răspuns (total) 110.24s Timp de răspuns (maxim) 53.91s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.0 Programare : 4.3 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 4.7
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 271,890 Tokenuri de ieșire 190,841 Tokenuri de raționament 513,329 Timp de răspuns (mediu) 85.22s Timp de răspuns (total) 1960.12s Timp de răspuns (maxim) 432.81s Fără răspuns: 4 Nu a urmat instrucțiunile: 3 Răspuns greșit: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 5.6 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 261,962 Tokenuri de ieșire 12,799 Tokenuri de raționament 2,961 Timp de răspuns (mediu) 3.60s Timp de răspuns (total) 82.91s Timp de răspuns (maxim) 48.59s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.8 Rată de trecere pe încercare 60.9% Teste instabile 4 Tokenuri de intrare 132,044 Tokenuri de ieșire 92,135 Tokenuri de raționament 207,321 Timp de răspuns (mediu) 13.08s Timp de răspuns (total) 287.79s Timp de răspuns (maxim) 75.27s Răspuns greșit: 7 Eroare API: 2 Apel de instrument invalid: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 2.9 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#312#312	GLM 5V Turbomedium	5.5	Z.ai	$0.457	23.08s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 6 Tokenuri de intrare 44,615 Tokenuri de ieșire 2,347 Tokenuri de raționament 98,415 Timp de răspuns (mediu) 23.08s Timp de răspuns (total) 484.63s Timp de răspuns (maxim) 95.88s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 7.2 Programare : 6.0 Combinat : 3.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 7.0 Cultură generală : 3.0
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 2 Tokenuri de intrare 25,987 Tokenuri de ieșire 216,719 Tokenuri de raționament 0 Timp de răspuns (mediu) 56.57s Timp de răspuns (total) 848.59s Timp de răspuns (maxim) 149.94s Eroare API: 7 Răspuns greșit: 3 Sarcini agentice : 0.0 Trucuri anti-AI : 6.4 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 123,273 Tokenuri de ieșire 19,362 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.67s Timp de răspuns (total) 122.78s Timp de răspuns (maxim) 51.18s Răspuns greșit: 5 Formatare suplimentară: 4 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#366#366	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
Vezi fișa modelului Total teste 18 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 4 Tokenuri de intrare 29,134 Tokenuri de ieșire 1,984 Tokenuri de raționament 1,355,583 Timp de răspuns (mediu) 61.96s Timp de răspuns (total) 1115.31s Timp de răspuns (maxim) 149.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#83#83	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
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 214,645 Tokenuri de ieșire 15,532 Tokenuri de raționament 103,679 Timp de răspuns (mediu) 29.42s Timp de răspuns (total) 676.56s Timp de răspuns (maxim) 111.48s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.1 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 9 10 11 18

→

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