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: 2026-09-02 Modele evaluate: 311

Modele recomandate

GPT-5.6 Sol high Inteligent Rată de trecere pe încercare 89.4% Teste corecte 18 / 22 Scor 9.4/10 GPT-5.6 Luna medium Rapid Timp de răspuns (mediu) 7.43s Total tokenuri de ieșire 44,525 Scor 7.4/10 DeepSeek V4 Flash 0731 high Accesibil Preț de intrare $0.065 / 1M Preț de ieșire $0.180 / 1M Scor 8.0/10

311/311

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#97#97	GPT-5.4 Minimedium	7.5	OpenAI	$0.786	26.72s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 5 Tokenuri de intrare 97,164 Tokenuri de ieșire 6,211 Tokenuri de raționament 152,133 Timp de răspuns (mediu) 26.72s Timp de răspuns (total) 587.90s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 8.6 Programare : 8.4 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 4.7 Cultură generală : 3.0
#132#132	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 5 Tokenuri de intrare 102,986 Tokenuri de ieșire 5,860 Tokenuri de raționament 264,399 Timp de răspuns (mediu) 32.56s Timp de răspuns (total) 716.36s Timp de răspuns (maxim) 199.66s Răspuns greșit: 6 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 8.2 Programare : 6.3 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.9 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#65#65	GPT-5.6 Terrahigh	8.0	OpenAI	$0.836 ↓	11.22s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 2 Tokenuri de intrare 81,056 Tokenuri de ieșire 5,055 Tokenuri de raționament 51,033 Timp de răspuns (mediu) 11.22s Timp de răspuns (total) 246.77s Timp de răspuns (maxim) 91.49s Răspuns greșit: 7 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 7.6 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#55#55	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 3 Tokenuri de intrare 145,953 Tokenuri de ieșire 52,330 Tokenuri de raționament 10,874 Timp de răspuns (mediu) 12.54s Timp de răspuns (total) 275.90s Timp de răspuns (maxim) 66.71s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 9.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#47#47	Grok 4.5low	8.4	X AI	$0.945	16.17s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 77.3% Teste instabile 2 Tokenuri de intrare 125,605 Tokenuri de ieșire 7,505 Tokenuri de raționament 107,984 Timp de răspuns (mediu) 16.17s Timp de răspuns (total) 355.67s Timp de răspuns (maxim) 205.28s Răspuns greșit: 6 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#95#95	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 6 Tokenuri de intrare 111,644 Tokenuri de ieșire 16,113 Tokenuri de raționament 598,796 Timp de răspuns (mediu) 113.28s Timp de răspuns (total) 2492.26s Timp de răspuns (maxim) 1026.43s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 8.7 Programare : 6.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#28#28	GPT-5.3-Codexmedium	8.9	OpenAI	$0.988	16.91s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 4 Tokenuri de intrare 81,187 Tokenuri de ieșire 6,258 Tokenuri de raționament 54,116 Timp de răspuns (mediu) 16.91s Timp de răspuns (total) 372.03s Timp de răspuns (maxim) 100.93s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.6 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 2.8
#165#165	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 7 Tokenuri de intrare 106,176 Tokenuri de ieșire 33,013 Tokenuri de raționament 239,560 Timp de răspuns (mediu) 106.06s Timp de răspuns (total) 2333.36s 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 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
#59#59	Inklinghigh	8.0	Thinkingmachines	$1.046	62.57s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 77.3% Teste instabile 3 Tokenuri de intrare 86,755 Tokenuri de ieșire 6,057 Tokenuri de raționament 230,570 Timp de răspuns (mediu) 62.57s Timp de răspuns (total) 1376.46s Timp de răspuns (maxim) 327.51s Răspuns greșit: 4 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 8.5 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#27#27	Muse Spark 1.3medium	9.0	Meta	$1.075	89.78s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.3 Rată de trecere pe încercare 81.8% Teste instabile 4 Tokenuri de intrare 98,062 Tokenuri de ieșire 13,168 Tokenuri de raționament 210,826 Timp de răspuns (mediu) 89.78s Timp de răspuns (total) 1975.17s Timp de răspuns (maxim) 356.29s Răspuns greșit: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 9.8 Cultură generală : 3.0
#139#139	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 3 Tokenuri de intrare 13,852 Tokenuri de ieșire 119,100 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.18s Timp de răspuns (total) 183.29s Timp de răspuns (maxim) 64.36s Eroare API: 4 Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 2.8
#33#33	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 1 Tokenuri de intrare 134,770 Tokenuri de ieșire 13,604 Tokenuri de raționament 4,388 Timp de răspuns (mediu) 6.99s Timp de răspuns (total) 153.80s Timp de răspuns (maxim) 30.67s Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 10.0 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
#98#98	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 1 Tokenuri de intrare 106,946 Tokenuri de ieșire 7,993 Tokenuri de raționament 503,413 Timp de răspuns (mediu) 54.50s Timp de răspuns (total) 1199.07s Timp de răspuns (maxim) 252.69s Răspuns greșit: 6 Formatare suplimentară: 3 Trucuri anti-AI : 8.3 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#41#41	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% 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 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
#183#183	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.140 ↑	110.84s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 130,450 Tokenuri de ieșire 54,857 Tokenuri de raționament 838,606 Timp de răspuns (mediu) 110.84s Timp de răspuns (total) 2438.58s Timp de răspuns (maxim) 950.25s Timp expirat: 4 Fără răspuns: 3 Răspuns greșit: 2 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 3.8 Parsare și extragere de date : 7.3 Specific domeniului : 3.5 Inteligență generală : 2.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#142#142	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 7.3 Rată de trecere pe încercare 63.6% Teste instabile 7 Tokenuri de intrare 76,036 Tokenuri de ieșire 7,267 Tokenuri de raționament 364,176 Timp de răspuns (mediu) 101.05s Timp de răspuns (total) 2223.19s Timp de răspuns (maxim) 626.58s Eroare API: 6 Răspuns greșit: 4 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.9 Programare : 8.9 Combinat : 4.7 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 4.7 Cultură generală : 3.0
#19#19	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 86.4% Teste instabile 3 Tokenuri de intrare 106,029 Tokenuri de ieșire 5,748 Tokenuri de raționament 220,354 Timp de răspuns (mediu) 44.32s Timp de răspuns (total) 975.11s Timp de răspuns (maxim) 556.06s Răspuns greșit: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#115#115	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 2 Tokenuri de intrare 149,203 Tokenuri de ieșire 16,797 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.92s Timp de răspuns (total) 108.24s Timp de răspuns (maxim) 35.03s Răspuns greșit: 4 Formatare suplimentară: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 9.8 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#48#48	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 4 Tokenuri de intrare 105,013 Tokenuri de ieșire 9,914 Tokenuri de raționament 61,338 Timp de răspuns (mediu) 28.51s Timp de răspuns (total) 456.13s Timp de răspuns (maxim) 116.86s Nu a urmat instrucțiunile: 3 Răspuns greșit: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#63#63	GLM 5.2high	8.0	Z.ai	$1.188 ↑	69.86s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 3 Tokenuri de intrare 83,822 Tokenuri de ieșire 72,040 Tokenuri de raționament 292,615 Timp de răspuns (mediu) 69.86s Timp de răspuns (total) 1536.98s Timp de răspuns (maxim) 599.43s Timp expirat: 3 Fără răspuns: 2 Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 6.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#122#122	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 4 Tokenuri de intrare 124,780 Tokenuri de ieșire 47,694 Tokenuri de raționament 439,825 Timp de răspuns (mediu) 65.67s Timp de răspuns (total) 1444.68s Timp de răspuns (maxim) 519.30s Răspuns greșit: 5 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#141#141	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 4 Tokenuri de intrare 98,700 Tokenuri de ieșire 1,050,900 Tokenuri de raționament 0 Timp de răspuns (mediu) 70.10s Timp de răspuns (total) 1542.14s Timp de răspuns (maxim) 364.99s Răspuns greșit: 7 Fără răspuns: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 4.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#116#116	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 68,913 Tokenuri de ieșire 64,654 Tokenuri de raționament 282,865 Timp de răspuns (mediu) 115.89s Timp de răspuns (total) 2433.66s Timp de răspuns (maxim) 876.20s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 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
#24#24	Muse Spark 1.3high	9.0	Meta	$1.252	117.06s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 9.5 Rată de trecere pe încercare 81.8% Teste instabile 3 Tokenuri de intrare 99,477 Tokenuri de ieșire 14,053 Tokenuri de raționament 251,124 Timp de răspuns (mediu) 117.06s Timp de răspuns (total) 2575.43s Timp de răspuns (maxim) 470.12s Răspuns greșit: 2 Eroare API: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 9.6 Cultură generală : 3.0
#11#11	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
Vezi fișa modelului Total teste 22 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 86.4% Teste instabile 0 Tokenuri de intrare 80,067 Tokenuri de ieșire 5,378 Tokenuri de raționament 23,162 Timp de răspuns (mediu) 10.15s Timp de răspuns (total) 223.24s Timp de răspuns (maxim) 56.19s Răspuns greșit: 3 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0

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 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