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)
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.8 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 195,780 Tokenuri de ieșire 167,746 Tokenuri de raționament 598,384 Timp de răspuns (mediu) 81.93s Timp de răspuns (total) 1884.31s Timp de răspuns (maxim) 437.11s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 6.9 Programare : 4.4 Combinat : 6.2 Parsare și extragere de date : 3.7 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.5 Rată de trecere pe încercare 40.6% Teste instabile 9 Tokenuri de intrare 207,883 Tokenuri de ieșire 144,718 Tokenuri de raționament 525,897 Timp de răspuns (mediu) 83.19s Timp de răspuns (total) 1913.41s Timp de răspuns (maxim) 597.61s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 6.9 Programare : 4.0 Combinat : 6.3 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 349,177 Tokenuri de ieșire 54,279 Tokenuri de raționament 477,389 Timp de răspuns (mediu) 83.68s Timp de răspuns (total) 1840.92s Timp de răspuns (maxim) 515.38s Răspuns greșit: 5 Timp expirat: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 7 Tokenuri de intrare 319,352 Tokenuri de ieșire 158,447 Tokenuri de raționament 875,524 Timp de răspuns (mediu) 84.01s Timp de răspuns (total) 1932.24s Timp de răspuns (maxim) 525.14s Răspuns greșit: 9 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 6.8 Programare : 7.5 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 5.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 2 Tokenuri de intrare 484,627 Tokenuri de ieșire 11,026 Tokenuri de raționament 747,681 Timp de răspuns (mediu) 84.26s Timp de răspuns (total) 1937.91s Timp de răspuns (maxim) 488.39s Fără răspuns: 3 Nu a urmat instrucțiunile: 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 : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 9.1 Rată de trecere pe încercare 15.9% Teste instabile 2 Tokenuri de intrare 226,872 Tokenuri de ieșire 133,268 Tokenuri de raționament 0 Timp de răspuns (mediu) 84.66s Timp de răspuns (total) 1947.17s Timp de răspuns (maxim) 747.17s Răspuns greșit: 11 Formatare suplimentară: 4 Timp expirat: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.9 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.8 Rată de trecere pe încercare 72.5% Teste instabile 5 Tokenuri de intrare 269,143 Tokenuri de ieșire 6,833 Tokenuri de raționament 785,200 Timp de răspuns (mediu) 84.94s Timp de răspuns (total) 1953.70s Timp de răspuns (maxim) 527.47s Răspuns greșit: 4 Fără răspuns: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 271,890 Tokenuri de ieșire 190,841 Tokenuri de raționament 513,329 Timp de răspuns (mediu) 85.22s Timp de răspuns (total) 1960.12s Timp de răspuns (maxim) 432.81s Fără răspuns: 4 Nu a urmat instrucțiunile: 3 Răspuns greșit: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 5.6 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 69.6% Teste instabile 2 Tokenuri de intrare 324,691 Tokenuri de ieșire 181,251 Tokenuri de raționament 506,441 Timp de răspuns (mediu) 87.39s Timp de răspuns (total) 2010.08s Timp de răspuns (maxim) 665.85s Fără răspuns: 4 Răspuns greșit: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 2.8 Cultură generală : 3.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 0 Tokenuri de intrare 376,233 Tokenuri de ieșire 6,687 Tokenuri de raționament 305,927 Timp de răspuns (mediu) 87.48s Timp de răspuns (total) 2012.15s Timp de răspuns (maxim) 618.49s Răspuns greșit: 3 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 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 : 10.0 Cultură generală : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	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
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 6 Tokenuri de intrare 232,641 Tokenuri de ieșire 69,335 Tokenuri de raționament 426,182 Timp de răspuns (mediu) 88.24s Timp de răspuns (total) 2029.57s Timp de răspuns (maxim) 814.73s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 71.0% Teste instabile 3 Tokenuri de intrare 369,495 Tokenuri de ieșire 172,852 Tokenuri de raționament 476,002 Timp de răspuns (mediu) 88.74s Timp de răspuns (total) 2041.10s Timp de răspuns (maxim) 567.88s Fără răspuns: 4 Răspuns greșit: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 2.8 Cultură generală : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 0.0% Teste instabile 0 Tokenuri de intrare 117,966 Tokenuri de ieșire 5,149 Tokenuri de raționament 23,514 Timp de răspuns (mediu) 89.96s Timp de răspuns (total) 2069.01s Timp de răspuns (maxim) 156.00s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.0 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 287,061 Tokenuri de ieșire 32,056 Tokenuri de raționament 196,607 Timp de răspuns (mediu) 91.29s Timp de răspuns (total) 2099.56s Timp de răspuns (maxim) 416.76s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 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
#145#145	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
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 0.0% Teste instabile 0 Tokenuri de intrare 118,771 Tokenuri de ieșire 4,127 Tokenuri de raționament 14,668 Timp de răspuns (mediu) 91.72s Timp de răspuns (total) 2109.54s Timp de răspuns (maxim) 112.76s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.0 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 81.2% Teste instabile 5 Tokenuri de intrare 271,242 Tokenuri de ieșire 11,803 Tokenuri de raționament 397,838 Timp de răspuns (mediu) 92.38s Timp de răspuns (total) 2124.67s Timp de răspuns (maxim) 482.30s Eroare API: 2 Răspuns greșit: 2 Formatare suplimentară: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 1.5% Teste instabile 1 Tokenuri de intrare 114,874 Tokenuri de ieșire 1,992 Tokenuri de raționament 23,529 Timp de răspuns (mediu) 92.50s Timp de răspuns (total) 2127.40s Timp de răspuns (maxim) 128.54s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.0 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	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
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 347,980 Tokenuri de ieșire 121,898 Tokenuri de raționament 720,302 Timp de răspuns (mediu) 95.16s Timp de răspuns (total) 2188.74s Timp de răspuns (maxim) 540.96s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 7.4 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
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 8.3 Rată de trecere pe încercare 59.4% Teste instabile 6 Tokenuri de intrare 153,399 Tokenuri de ieșire 7,803 Tokenuri de raționament 179,098 Timp de răspuns (mediu) 97.34s Timp de răspuns (total) 2238.73s Timp de răspuns (maxim) 587.08s Eroare API: 8 Răspuns greșit: 3 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 5.2 Combinat : 6.5 Parsare și extragere de date : 6.4 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 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
#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
#151#151	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

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