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)
#94#94	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 5 Tokenuri de intrare 113,569 Tokenuri de ieșire 9,823 Tokenuri de raționament 264,886 Timp de răspuns (mediu) 91.76s Timp de răspuns (total) 1376.42s Timp de răspuns (maxim) 304.85s Răspuns greșit: 4 Timp expirat: 2 Eroare API: 1 Apel de instrument invalid: 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
#83#83	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.489 ↑	92.50s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 6 Tokenuri de intrare 90,757 Tokenuri de ieșire 22,928 Tokenuri de raționament 186,516 Timp de răspuns (mediu) 92.50s Timp de răspuns (total) 2035.01s Timp de răspuns (maxim) 416.76s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 5.7 Programare : 6.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.8 Rezolvare de puzzle-uri : 6.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#133#133	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.116	93.10s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 8.7 Rată de trecere pe încercare 57.6% Teste instabile 3 Tokenuri de intrare 125,704 Tokenuri de ieșire 10,781 Tokenuri de raționament 247,541 Timp de răspuns (mediu) 93.10s Timp de răspuns (total) 1768.91s Timp de răspuns (maxim) 301.78s Răspuns greșit: 5 Timp expirat: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 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
#58#58	Muse Glimmer 30Bxhigh	8.1	Meta	$0.510 ↓	95.55s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 9.9 Rată de trecere pe încercare 69.7% Teste instabile 4 Tokenuri de intrare 110,930 Tokenuri de ieșire 116,373 Tokenuri de raționament 330,471 Timp de răspuns (mediu) 95.55s Timp de răspuns (total) 2102.12s Timp de răspuns (maxim) 576.79s Răspuns greșit: 4 Fără răspuns: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 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
#194#194	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.0% Teste instabile 5 Tokenuri de intrare 122,854 Tokenuri de ieșire 119,810 Tokenuri de raționament 698,549 Timp de răspuns (mediu) 96.61s Timp de răspuns (total) 2125.51s Timp de răspuns (maxim) 540.96s Răspuns greșit: 7 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.2 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 8 Tokenuri de intrare 118,496 Tokenuri de ieșire 53,522 Tokenuri de raționament 167,420 Timp de răspuns (mediu) 98.19s Timp de răspuns (total) 1571.05s Timp de răspuns (maxim) 281.00s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 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
#149#149	Gemma 4 26B A4Bmedium	6.8	Google	$0.092 ↓	104.93s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 1 Tokenuri de intrare 77,528 Tokenuri de ieșire 26,048 Tokenuri de raționament 227,598 Timp de răspuns (mediu) 104.93s Timp de răspuns (total) 2203.52s Timp de răspuns (maxim) 912.19s Fără răspuns: 2 Timp expirat: 2 Răspuns greșit: 2 Apel de instrument invalid: 1 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
#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
#304#304	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 6.0 Rată de trecere pe încercare 25.8% Teste instabile 5 Tokenuri de intrare 17,195 Tokenuri de ieșire 46,735 Tokenuri de raționament 366,707 Timp de răspuns (mediu) 107.51s Timp de răspuns (total) 1720.15s Timp de răspuns (maxim) 569.97s Timp expirat: 11 Fără răspuns: 3 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.1 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 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
#240#240	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 5 Tokenuri de intrare 208,937 Tokenuri de ieșire 175,588 Tokenuri de raționament 409,276 Timp de răspuns (mediu) 111.60s Timp de răspuns (total) 2455.24s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 11 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.6 Rezolvare de puzzle-uri : 2.9 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
#152#152	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 9.9 Rată de trecere pe încercare 54.6% Teste instabile 4 Tokenuri de intrare 90,870 Tokenuri de ieșire 5,676 Tokenuri de raționament 314,918 Timp de răspuns (mediu) 113.61s Timp de răspuns (total) 2499.46s Timp de răspuns (maxim) 560.39s Răspuns greșit: 7 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 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
#62#62	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.084 ↓	114.94s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 5 Tokenuri de intrare 96,702 Tokenuri de ieșire 16,966 Tokenuri de raționament 496,341 Timp de răspuns (mediu) 114.94s Timp de răspuns (total) 2528.65s Timp de răspuns (maxim) 600.61s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 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
#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
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 9.4 Rată de trecere pe încercare 72.7% Teste instabile 2 Tokenuri de intrare 113,279 Tokenuri de ieșire 121,045 Tokenuri de raționament 374,496 Timp de răspuns (mediu) 118.97s Timp de răspuns (total) 2617.41s Timp de răspuns (maxim) 534.21s Răspuns greșit: 4 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.2 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#125#125	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 62.1% Teste instabile 5 Tokenuri de intrare 79,740 Tokenuri de ieșire 23,357 Tokenuri de raționament 339,837 Timp de răspuns (mediu) 120.58s Timp de răspuns (total) 2652.77s Timp de răspuns (maxim) 491.07s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 5.7 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.5 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 9.4 Rată de trecere pe încercare 74.2% Teste instabile 4 Tokenuri de intrare 108,931 Tokenuri de ieșire 112,801 Tokenuri de raționament 343,227 Timp de răspuns (mediu) 120.59s Timp de răspuns (total) 2653.05s Timp de răspuns (maxim) 532.28s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 8.6 Rată de trecere pe încercare 63.6% Teste instabile 5 Tokenuri de intrare 81,970 Tokenuri de ieșire 7,186 Tokenuri de raționament 403,389 Timp de răspuns (mediu) 124.18s Timp de răspuns (total) 2732.03s Timp de răspuns (maxim) 675.30s Eroare API: 5 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 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
#144#144	Solar Pro 4medium	6.8	Upstage	$0.047	127.64s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 9.9 Rată de trecere pe încercare 62.1% Teste instabile 4 Tokenuri de intrare 87,902 Tokenuri de ieșire 30,743 Tokenuri de raționament 335,668 Timp de răspuns (mediu) 127.64s Timp de răspuns (total) 2808.09s Timp de răspuns (maxim) 519.91s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 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
#289#289	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.6 Rată de trecere pe încercare 31.8% Teste instabile 8 Tokenuri de intrare 79,104 Tokenuri de ieșire 42,254 Tokenuri de raționament 377,280 Timp de răspuns (mediu) 134.34s Timp de răspuns (total) 2015.13s Timp de răspuns (maxim) 1539.97s Răspuns greșit: 9 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Timp expirat: 2 Trucuri anti-AI : 4.7 Programare : 3.2 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 3.5 Inteligență generală : 3.6 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#87#87	Solar Pro 4xhigh	7.6	Upstage	$0.050	134.85s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 2 Tokenuri de intrare 98,116 Tokenuri de ieșire 21,720 Tokenuri de raționament 367,730 Timp de răspuns (mediu) 134.85s Timp de răspuns (total) 2966.79s Timp de răspuns (maxim) 491.42s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Formatare suplimentară: 1 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
#143#143	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 6 Tokenuri de intrare 90,556 Tokenuri de ieșire 6,153 Tokenuri de raționament 332,220 Timp de răspuns (mediu) 136.11s Timp de răspuns (total) 2994.49s Timp de răspuns (maxim) 640.89s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 9.0 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