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)
#211#211	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 8.5 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 81,742 Tokenuri de ieșire 423,884 Tokenuri de raționament 1,340,907 Timp de răspuns (mediu) 141.99s Timp de răspuns (total) 3123.87s Timp de răspuns (maxim) 786.72s Răspuns greșit: 9 Formatare suplimentară: 2 Eroare API: 1 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 8.4 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.0 Rată de trecere pe încercare 77.3% Teste instabile 2 Tokenuri de intrare 34,960 Tokenuri de ieșire 2,887 Tokenuri de raționament 221,241 Timp de răspuns (mediu) 142.84s Timp de răspuns (total) 2714.02s Timp de răspuns (maxim) 766.58s Eroare API: 2 Fără răspuns: 2 Formatare suplimentară: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#104#104	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 2 Tokenuri de intrare 97,324 Tokenuri de ieșire 44,383 Tokenuri de raționament 346,490 Timp de răspuns (mediu) 143.55s Timp de răspuns (total) 3158.11s Timp de răspuns (maxim) 939.52s Răspuns greșit: 7 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 4 Tokenuri de intrare 93,411 Tokenuri de ieșire 30,470 Tokenuri de raționament 356,172 Timp de răspuns (mediu) 153.29s Timp de răspuns (total) 3372.36s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 8.9 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#18#18	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 80.3% Teste instabile 2 Tokenuri de intrare 104,464 Tokenuri de ieșire 6,844 Tokenuri de raționament 590,392 Timp de răspuns (mediu) 163.90s Timp de răspuns (total) 3605.87s Timp de răspuns (maxim) 739.98s Răspuns greșit: 3 Fără răspuns: 2 Trucuri anti-AI : 8.2 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#49#49	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.6 Rată de trecere pe încercare 77.3% Teste instabile 2 Tokenuri de intrare 100,179 Tokenuri de ieșire 904 Tokenuri de raționament 655,731 Timp de răspuns (mediu) 167.89s Timp de răspuns (total) 3693.54s Timp de răspuns (maxim) 640.85s Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Răspuns greșit: 2 Trucuri anti-AI : 10.0 Programare : 8.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#29#29	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 78.8% Teste instabile 3 Tokenuri de intrare 104,695 Tokenuri de ieșire 6,645 Tokenuri de raționament 691,086 Timp de răspuns (mediu) 173.96s Timp de răspuns (total) 3827.19s Timp de răspuns (maxim) 584.71s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.2 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#202#202	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 2 Tokenuri de intrare 65,716 Tokenuri de ieșire 189,424 Tokenuri de raționament 379,112 Timp de răspuns (mediu) 191.63s Timp de răspuns (total) 3066.07s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 2.4 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#50#50	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.8% Teste instabile 5 Tokenuri de intrare 104,433 Tokenuri de ieșire 6,511 Tokenuri de raționament 752,680 Timp de răspuns (mediu) 193.59s Timp de răspuns (total) 4258.98s Timp de răspuns (maxim) 885.33s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.2 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 5.4 Rată de trecere pe încercare 19.7% Teste instabile 3 Tokenuri de intrare 45,154 Tokenuri de ieșire 4,022 Tokenuri de raționament 678,516 Timp de răspuns (mediu) 214.25s Timp de răspuns (total) 4713.56s Timp de răspuns (maxim) 597.45s Eroare API: 14 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.0 Programare : 5.2 Combinat : 2.9 Parsare și extragere de date : 8.7 Specific domeniului : 4.5 Inteligență generală : 7.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 7.6 Rată de trecere pe încercare 39.4% Teste instabile 10 Tokenuri de intrare 43,278 Tokenuri de ieșire 181,083 Tokenuri de raționament 431,132 Timp de răspuns (mediu) 235.89s Timp de răspuns (total) 5189.64s Timp de răspuns (maxim) 685.87s Timp expirat: 10 Răspuns greșit: 6 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 6.9 Programare : 3.8 Combinat : 5.0 Parsare și extragere de date : 3.8 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 12 13

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