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: 2026-09-22 Modele evaluate: 343

Modele recomandate

GPT-6 Astra xhigh Inteligent Rată de trecere pe încercare 97.0% Teste corecte 21 / 22 Scor 9.9/10 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 $0.040 / 1M Preț de ieșire $0.640 / 1M Scor 8.0/10

343/343

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#160#160	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
#167#167	Solar Pro 4medium	6.8	Upstage	$0.140 ↑	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
#319#319	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
#105#105	Solar Pro 4xhigh	7.6	Upstage	$0.150 ↑	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
#166#166	Solar Pro 4low	6.8	Upstage	$0.130 ↑	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
#238#238	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
#83#83	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
#124#124	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
#61#61	MiMo-V2.6-Promedium	8.4	Xiaomi	$0.477	147.50s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 9.4 Rată de trecere pe încercare 77.3% Teste instabile 7 Tokenuri de intrare 90,486 Tokenuri de ieșire 6,569 Tokenuri de raționament 495,874 Timp de răspuns (mediu) 147.50s Timp de răspuns (total) 3245.08s Timp de răspuns (maxim) 904.91s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 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
#179#179	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
#24#24	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
#60#60	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
#35#35	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
#31#31	Qwen3.8 Max (0902)high	8.9	Qwen	$2.736	185.56s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 9.8 Rată de trecere pe încercare 86.4% Teste instabile 3 Tokenuri de intrare 109,226 Tokenuri de ieșire 6,890 Tokenuri de raționament 412,553 Timp de răspuns (mediu) 185.56s Timp de răspuns (total) 4082.41s Timp de răspuns (maxim) 912.78s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#229#229	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
#62#62	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
#255#255	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
#312#312	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.135 ↑	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 13 14

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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium