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)
#132#132	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
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 225,013 Tokenuri de ieșire 12,197 Tokenuri de raționament 87,143 Timp de răspuns (mediu) 29.11s Timp de răspuns (total) 669.54s Timp de răspuns (maxim) 163.41s Răspuns greșit: 4 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 8.2 Combinat : 6.4 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
#131#131	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 1 Tokenuri de intrare 224,367 Tokenuri de ieșire 27,095 Tokenuri de raționament 242,256 Timp de răspuns (mediu) 105.03s Timp de răspuns (total) 2310.63s Timp de răspuns (maxim) 912.19s Fără răspuns: 2 Timp expirat: 2 Răspuns greșit: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 2.9 Combinat : 6.3 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
#130#130	Inklingmedium	7.4	Thinkingmachines	$0.536 ↓	16.98s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 5 Tokenuri de intrare 257,138 Tokenuri de ieșire 13,830 Tokenuri de raționament 55,775 Timp de răspuns (mediu) 16.98s Timp de răspuns (total) 390.45s Timp de răspuns (maxim) 85.12s Răspuns greșit: 5 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.7 Programare : 8.4 Combinat : 7.3 Parsare și extragere de date : 10.0 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
#129#129	DeepSeek V4 Pro 0423none	7.4	DeepSeek	$0.083 ↓	14.05s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 4 Tokenuri de intrare 304,186 Tokenuri de ieșire 46,004 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.05s Timp de răspuns (total) 323.17s Timp de răspuns (maxim) 119.44s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 3.2 Programare : 5.6 Combinat : 7.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#128#128	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 85,669 Tokenuri de ieșire 6,092 Tokenuri de raționament 292,801 Timp de răspuns (mediu) 29.10s Timp de răspuns (total) 669.40s Timp de răspuns (maxim) 122.60s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 9.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.8 Apelare instrumente : 3.0 Cultură generală : 3.0
#127#127	Grok 4.7low	7.4	X AI	$1.933	63.19s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 5 Tokenuri de intrare 365,119 Tokenuri de ieșire 8,118 Tokenuri de raționament 247,211 Timp de răspuns (mediu) 63.19s Timp de răspuns (total) 1453.28s Timp de răspuns (maxim) 389.63s Răspuns greșit: 6 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#126#126	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 5 Tokenuri de intrare 235,914 Tokenuri de ieșire 8,147 Tokenuri de raționament 89,581 Timp de răspuns (mediu) 14.94s Timp de răspuns (total) 343.65s Timp de răspuns (maxim) 91.16s Răspuns greșit: 8 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.2 Programare : 8.2 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 3.6 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#125#125	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 8.0 Rată de trecere pe încercare 65.2% Teste instabile 7 Tokenuri de intrare 244,499 Tokenuri de ieșire 8,744 Tokenuri de raționament 375,349 Timp de răspuns (mediu) 100.65s Timp de răspuns (total) 2314.88s Timp de răspuns (maxim) 626.58s Răspuns greșit: 6 Eroare API: 4 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 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
#124#124	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.307 ↑	88.15s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 6 Tokenuri de intrare 231,356 Tokenuri de ieșire 43,054 Tokenuri de raționament 370,981 Timp de răspuns (mediu) 88.15s Timp de răspuns (total) 2027.36s Timp de răspuns (maxim) 438.65s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 7.3 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#123#123	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 5 Tokenuri de intrare 258,760 Tokenuri de ieșire 22,221 Tokenuri de raționament 630,059 Timp de răspuns (mediu) 45.45s Timp de răspuns (total) 1045.45s Timp de răspuns (maxim) 578.13s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#122#122	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 3 Tokenuri de intrare 212,780 Tokenuri de ieșire 6,849 Tokenuri de raționament 41,137 Timp de răspuns (mediu) 9.64s Timp de răspuns (total) 221.62s Timp de răspuns (maxim) 58.09s Răspuns greșit: 9 Apel de instrument invalid: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 5.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#121#121	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.0 Rată de trecere pe încercare 65.2% Teste instabile 5 Tokenuri de intrare 297,321 Tokenuri de ieșire 8,997 Tokenuri de raționament 423,853 Timp de răspuns (mediu) 124.87s Timp de răspuns (total) 2871.96s Timp de răspuns (maxim) 675.30s Răspuns greșit: 6 Eroare API: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 6.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 4.7 Cultură generală : 3.0
#120#120	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.4 Rată de trecere pe încercare 59.4% Teste instabile 3 Tokenuri de intrare 313,368 Tokenuri de ieșire 12,289 Tokenuri de raționament 259,270 Timp de răspuns (mediu) 91.67s Timp de răspuns (total) 1833.43s Timp de răspuns (maxim) 301.78s Răspuns greșit: 5 Timp expirat: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.6 Programare : 5.5 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#119#119	GLM 5.1medium	7.5	Z.ai	$1.840 ↑	66.38s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 9.2 Rată de trecere pe încercare 66.7% Teste instabile 4 Tokenuri de intrare 331,577 Tokenuri de ieșire 17,919 Tokenuri de raționament 230,789 Timp de răspuns (mediu) 66.38s Timp de răspuns (total) 1460.31s Timp de răspuns (maxim) 308.75s Răspuns greșit: 5 Timp expirat: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 4.6 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#118#118	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 4 Tokenuri de intrare 302,228 Tokenuri de ieșire 181,271 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.38s Timp de răspuns (total) 675.79s Timp de răspuns (maxim) 234.56s Răspuns greșit: 10 Sarcini agentice : 10.0 Trucuri anti-AI : 6.4 Programare : 6.2 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#116#116	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 63.8% Teste instabile 4 Tokenuri de intrare 195,928 Tokenuri de ieșire 5,728 Tokenuri de raționament 19,152 Timp de răspuns (mediu) 23.23s Timp de răspuns (total) 534.22s Timp de răspuns (maxim) 89.37s Răspuns greșit: 7 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.9 Programare : 6.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#117#117	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
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 315,290 Tokenuri de ieșire 1,607 Tokenuri de raționament 207,536 Timp de răspuns (mediu) 46.60s Timp de răspuns (total) 1071.83s Timp de răspuns (maxim) 376.04s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#115#115	Muse Glimmer 30Bmedium	7.7	Meta	$0.353	33.97s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 269,497 Tokenuri de ieșire 34,935 Tokenuri de raționament 145,752 Timp de răspuns (mediu) 33.97s Timp de răspuns (total) 781.36s Timp de răspuns (maxim) 181.08s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 9.2 Programare : 8.4 Combinat : 6.5 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#114#114	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 6 Tokenuri de intrare 318,058 Tokenuri de ieșire 16,035 Tokenuri de raționament 315,072 Timp de răspuns (mediu) 41.03s Timp de răspuns (total) 943.75s Timp de răspuns (maxim) 394.54s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#113#113	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.7 Rată de trecere pe încercare 65.2% Teste instabile 2 Tokenuri de intrare 176,539 Tokenuri de ieșire 4,419 Tokenuri de raționament 195,929 Timp de răspuns (mediu) 54.06s Timp de răspuns (total) 1189.36s Timp de răspuns (maxim) 203.01s Răspuns greșit: 8 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#112#112	Muse Glimmer 30Bhigh	7.7	Meta	$0.625	69.87s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 8 Tokenuri de intrare 281,859 Tokenuri de ieșire 102,526 Tokenuri de raționament 286,217 Timp de răspuns (mediu) 69.87s Timp de răspuns (total) 1607.12s Timp de răspuns (maxim) 451.90s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#111#111	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 4 Tokenuri de intrare 229,986 Tokenuri de ieșire 6,037 Tokenuri de raționament 95,550 Timp de răspuns (mediu) 20.37s Timp de răspuns (total) 468.52s Timp de răspuns (maxim) 106.93s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#110#110	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.462 ↑	94.16s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 8 Tokenuri de intrare 274,189 Tokenuri de ieșire 66,689 Tokenuri de raționament 510,525 Timp de răspuns (mediu) 94.16s Timp de răspuns (total) 2165.72s Timp de răspuns (maxim) 303.26s Răspuns greșit: 5 Fără răspuns: 3 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.2 Programare : 6.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#109#109	Grok 4.5low	7.8	X AI	$1.345	18.14s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 308,068 Tokenuri de ieșire 9,218 Tokenuri de raționament 112,197 Timp de răspuns (mediu) 18.14s Timp de răspuns (total) 417.21s Timp de răspuns (maxim) 205.28s Răspuns greșit: 7 Sarcini agentice : 5.0 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
#108#108	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 0 Tokenuri de intrare 250,495 Tokenuri de ieșire 76,261 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.80s Timp de răspuns (total) 409.51s Timp de răspuns (maxim) 206.03s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 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 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