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)
#50#50	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
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 352,845 Tokenuri de ieșire 16,553 Tokenuri de raționament 7,007 Timp de răspuns (mediu) 9.87s Timp de răspuns (total) 226.95s Timp de răspuns (maxim) 73.15s Răspuns greșit: 4 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 10.0 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
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 8.6 Rată de trecere pe încercare 71.0% Teste instabile 8 Tokenuri de intrare 195,489 Tokenuri de ieșire 12,475 Tokenuri de raționament 108,748 Timp de răspuns (mediu) 58.14s Timp de răspuns (total) 1337.19s Timp de răspuns (maxim) 255.06s Eroare API: 7 Răspuns greșit: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 6 Tokenuri de intrare 336,310 Tokenuri de ieșire 10,838 Tokenuri de raționament 494,728 Timp de răspuns (mediu) 37.41s Timp de răspuns (total) 860.39s Timp de răspuns (maxim) 196.03s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.5 Programare : 10.0 Combinat : 5.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 9.6 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
#40#40	Muse Wonderlow	9.1	Meta	$2.637	16.00s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.7 Rată de trecere pe încercare 76.8% Teste instabile 1 Tokenuri de intrare 244,997 Tokenuri de ieșire 11,148 Tokenuri de raționament 71,699 Timp de răspuns (mediu) 16.00s Timp de răspuns (total) 367.91s Timp de răspuns (maxim) 83.98s Răspuns greșit: 4 Eroare API: 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 : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#99#99	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 3 Tokenuri de intrare 342,124 Tokenuri de ieșire 7,135 Tokenuri de raționament 326,497 Timp de răspuns (mediu) 72.50s Timp de răspuns (total) 1667.51s Timp de răspuns (maxim) 676.83s Răspuns greșit: 3 Fără răspuns: 2 Nu a urmat instrucțiunile: 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 : 4.1 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
Vezi fișa modelului Total teste 23 Teste greșite 3 Fiabilitate 9.9 Rată de trecere pe încercare 91.3% Teste instabile 2 Tokenuri de intrare 165,464 Tokenuri de ieșire 5,591 Tokenuri de raționament 15,454 Timp de răspuns (mediu) 9.90s Timp de răspuns (total) 227.67s Timp de răspuns (maxim) 73.48s Răspuns greșit: 3 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 2.8
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 2 Tokenuri de intrare 348,103 Tokenuri de ieșire 11,045 Tokenuri de raționament 234,967 Timp de răspuns (mediu) 18.59s Timp de răspuns (total) 427.52s Timp de răspuns (maxim) 145.92s Apel de instrument invalid: 2 Răspuns greșit: 2 Sarcini agentice : 3.4 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.2 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 : 10.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 396,120 Tokenuri de ieșire 31,386 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.78s Timp de răspuns (total) 247.96s Timp de răspuns (maxim) 79.61s Răspuns greșit: 7 Formatare suplimentară: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.4 Trucuri anti-AI : 5.5 Programare : 5.9 Combinat : 8.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
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 356,605 Tokenuri de ieșire 26,715 Tokenuri de raționament 17,041 Timp de răspuns (mediu) 13.24s Timp de răspuns (total) 304.46s Timp de răspuns (maxim) 78.80s Răspuns greșit: 3 Fără răspuns: 1 Sarcini agentice : 10.0 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 : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 78.3% Teste instabile 5 Tokenuri de intrare 326,066 Tokenuri de ieșire 5,726 Tokenuri de raționament 469,019 Timp de răspuns (mediu) 117.65s Timp de răspuns (total) 2706.03s Timp de răspuns (maxim) 660.89s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 75.4% Teste instabile 4 Tokenuri de intrare 295,642 Tokenuri de ieșire 115,041 Tokenuri de raționament 353,398 Timp de răspuns (mediu) 120.88s Timp de răspuns (total) 2780.16s Timp de răspuns (maxim) 532.28s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 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
#253#253	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 3 Tokenuri de intrare 108,573 Tokenuri de ieșire 69,994 Tokenuri de raționament 26,728 Timp de răspuns (mediu) 32.23s Timp de răspuns (total) 515.65s Timp de răspuns (maxim) 151.51s Formatare suplimentară: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.4 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#124#124	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 3 Tokenuri de intrare 308,369 Tokenuri de ieșire 7,013 Tokenuri de raționament 299,031 Timp de răspuns (mediu) 68.44s Timp de răspuns (total) 1574.14s Timp de răspuns (maxim) 436.38s Răspuns greșit: 6 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 7.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 9.6 Rată de trecere pe încercare 72.5% Teste instabile 7 Tokenuri de intrare 329,276 Tokenuri de ieșire 8,172 Tokenuri de raționament 479,012 Timp de răspuns (mediu) 122.19s Timp de răspuns (total) 2810.40s Timp de răspuns (maxim) 573.57s Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Răspuns greșit: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 6.0 Combinat : 8.6 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
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 157,142 Tokenuri de ieșire 8,149 Tokenuri de raționament 24,357 Timp de răspuns (mediu) 11.87s Timp de răspuns (total) 272.91s Timp de răspuns (maxim) 36.59s Răspuns greșit: 3 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 7.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 2.8
#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
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 9.8 Rată de trecere pe încercare 87.0% Teste instabile 3 Tokenuri de intrare 328,637 Tokenuri de ieșire 8,619 Tokenuri de raționament 432,733 Timp de răspuns (mediu) 186.06s Timp de răspuns (total) 4279.49s Timp de răspuns (maxim) 912.78s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 10.0 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
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 3 Tokenuri de intrare 209,116 Tokenuri de ieșire 10,031 Tokenuri de raționament 16,042 Timp de răspuns (mediu) 11.40s Timp de răspuns (total) 262.14s Timp de răspuns (maxim) 34.77s Formatare suplimentară: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Eroare API: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 6.5 Programare : 3.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#32#32	Muse Wondermedium	9.2	Meta	$3.397	21.58s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.1 Rată de trecere pe încercare 76.8% Teste instabile 1 Tokenuri de intrare 241,489 Tokenuri de ieșire 11,575 Tokenuri de raționament 109,971 Timp de răspuns (mediu) 21.58s Timp de răspuns (total) 496.40s Timp de răspuns (maxim) 162.73s Eroare API: 4 Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.6 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 4.7
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.7 Rată de trecere pe încercare 73.9% Teste instabile 6 Tokenuri de intrare 310,049 Tokenuri de ieșire 6,094 Tokenuri de raționament 566,221 Timp de răspuns (mediu) 123.96s Timp de răspuns (total) 2851.07s Timp de răspuns (maxim) 775.64s Fără răspuns: 4 Răspuns greșit: 3 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 5.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#93#93	Kimi K3max	8.3	Moonshot AI	$3.409 ↓	139.41s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.3 Rată de trecere pe încercare 78.3% Teste instabile 2 Tokenuri de intrare 170,700 Tokenuri de ieșire 7,719 Tokenuri de raționament 225,608 Timp de răspuns (mediu) 139.41s Timp de răspuns (total) 2788.26s Timp de răspuns (maxim) 766.58s Eroare API: 2 Fără răspuns: 2 Formatare suplimentară: 1 Timp expirat: 1 Sarcini agentice : 10.0 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
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.3 Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 94,153 Tokenuri de ieșire 9,606 Tokenuri de raționament 142,834 Timp de răspuns (mediu) 22.96s Timp de răspuns (total) 528.08s Timp de răspuns (maxim) 143.21s Eroare API: 6 Răspuns greșit: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.8 Cultură generală : 2.8
#116#116	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 1 Tokenuri de intrare 144,676 Tokenuri de ieșire 8,184 Tokenuri de raționament 32,282 Timp de răspuns (mediu) 13.30s Timp de răspuns (total) 305.83s Timp de răspuns (maxim) 40.17s Răspuns greșit: 3 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#95#95	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 3 Tokenuri de intrare 360,294 Tokenuri de ieșire 43,441 Tokenuri de raționament 24,401 Timp de răspuns (mediu) 16.72s Timp de răspuns (total) 384.66s Timp de răspuns (maxim) 99.37s Răspuns greșit: 5 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 9.9 Parsare și extragere de date : 7.1 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 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 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