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)
#200#200	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
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 235,086 Tokenuri de ieșire 7,989 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.02s Timp de răspuns (total) 207.45s Timp de răspuns (maxim) 57.02s Răspuns greșit: 10 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 : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#163#163	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
#166#166	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
#221#221	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 87,682 Tokenuri de ieșire 7,166 Tokenuri de raționament 106,027 Timp de răspuns (mediu) 19.40s Timp de răspuns (total) 446.11s Timp de răspuns (maxim) 209.15s Răspuns greșit: 10 Eroare API: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 6.9 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 4 Tokenuri de intrare 319,524 Tokenuri de ieșire 440,835 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.57s Timp de răspuns (total) 611.09s Timp de răspuns (maxim) 152.83s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 5 Tokenuri de intrare 281,863 Tokenuri de ieșire 24,535 Tokenuri de raționament 507,976 Timp de răspuns (mediu) 118.83s Timp de răspuns (total) 2733.01s Timp de răspuns (maxim) 600.61s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 6.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.7% Teste instabile 2 Tokenuri de intrare 188,003 Tokenuri de ieșire 2,914 Tokenuri de raționament 113,210 Timp de răspuns (mediu) 14.03s Timp de răspuns (total) 322.73s Timp de răspuns (maxim) 77.15s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 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
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.9 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 287,538 Tokenuri de ieșire 118,266 Tokenuri de raționament 346,758 Timp de răspuns (mediu) 97.70s Timp de răspuns (total) 2247.18s Timp de răspuns (maxim) 576.79s Răspuns greșit: 4 Fără răspuns: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.5 Rată de trecere pe încercare 78.3% Teste instabile 7 Tokenuri de intrare 298,476 Tokenuri de ieșire 7,762 Tokenuri de raționament 515,918 Timp de răspuns (mediu) 148.11s Timp de răspuns (total) 3406.53s Timp de răspuns (maxim) 904.91s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 2.8
#63#63	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 280,643 Tokenuri de ieșire 7,342 Tokenuri de raționament 437,323 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.34s Timp de răspuns (maxim) 276.31s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#180#180	GPT-5.2 Chatdefault	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 10,414 Tokenuri de raționament 19,328 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
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.9 Rată de trecere pe încercare 76.8% Teste instabile 3 Tokenuri de intrare 278,684 Tokenuri de ieșire 10,151 Tokenuri de raționament 48,907 Timp de răspuns (mediu) 21.62s Timp de răspuns (total) 497.25s Timp de răspuns (maxim) 119.16s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 9.2 Programare : 10.0 Combinat : 8.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#62#62	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.7 Rată de trecere pe încercare 75.4% Teste instabile 3 Tokenuri de intrare 282,490 Tokenuri de ieșire 8,621 Tokenuri de raționament 455,535 Timp de răspuns (mediu) 33.27s Timp de răspuns (total) 765.12s Timp de răspuns (maxim) 205.53s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#115#115	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
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 322,894 Tokenuri de ieșire 8,010 Tokenuri de raționament 394,755 Timp de răspuns (mediu) 43.97s Timp de răspuns (total) 1011.29s Timp de răspuns (maxim) 390.70s Apel de instrument invalid: 2 Fără răspuns: 2 Răspuns greșit: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#48#48	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 84.1% Teste instabile 2 Tokenuri de intrare 244,529 Tokenuri de ieșire 6,784 Tokenuri de raționament 213,142 Timp de răspuns (mediu) 11.92s Timp de răspuns (total) 274.14s Timp de răspuns (maxim) 53.09s Răspuns greșit: 5 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 9.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.9 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 262,387 Tokenuri de ieșire 7,344 Tokenuri de raționament 338,881 Timp de răspuns (mediu) 115.00s Timp de răspuns (total) 2645.11s Timp de răspuns (maxim) 560.39s Răspuns greșit: 8 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 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
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 8 Tokenuri de intrare 87,916 Tokenuri de ieșire 7,213 Tokenuri de raționament 132,162 Timp de răspuns (mediu) 23.94s Timp de răspuns (total) 550.52s Timp de răspuns (maxim) 257.00s Răspuns greșit: 9 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#49#49	Gemini 4 Argonmedium	9.0	Google	$0.674	6.63s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 84.1% Teste instabile 1 Tokenuri de intrare 215,326 Tokenuri de ieșire 6,668 Tokenuri de raționament 17,615 Timp de răspuns (mediu) 6.63s Timp de răspuns (total) 152.50s Timp de răspuns (maxim) 62.49s Răspuns greșit: 4 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.4 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 : 9.8 Cultură generală : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 5 Tokenuri de intrare 232,218 Tokenuri de ieșire 4,944 Tokenuri de raționament 142,263 Timp de răspuns (mediu) 9.03s Timp de răspuns (total) 207.67s Timp de răspuns (maxim) 36.04s Răspuns greșit: 7 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 8.8 Programare : 8.4 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.8 Rată de trecere pe încercare 68.1% Teste instabile 3 Tokenuri de intrare 482,754 Tokenuri de ieșire 62,455 Tokenuri de raționament 141,067 Timp de răspuns (mediu) 40.33s Timp de răspuns (total) 927.65s Timp de răspuns (maxim) 392.56s Răspuns greșit: 7 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#161#161	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
#355#355	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 3 Tokenuri de intrare 37,007 Tokenuri de ieșire 1,952 Tokenuri de raționament 357,306 Timp de răspuns (mediu) 41.16s Timp de răspuns (total) 823.26s Timp de răspuns (maxim) 299.23s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.9 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
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 219,404 Tokenuri de ieșire 9,372 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.89s Timp de răspuns (total) 89.48s Timp de răspuns (maxim) 43.73s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.2 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.6 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