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)
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.3 Rată de trecere pe încercare 42.0% Teste instabile 9 Tokenuri de intrare 188,239 Tokenuri de ieșire 27,822 Tokenuri de raționament 262,674 Timp de răspuns (mediu) 102.32s Timp de răspuns (total) 1637.05s Timp de răspuns (maxim) 600.81s Răspuns greșit: 7 Timp expirat: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 7.9 Programare : 3.4 Combinat : 3.7 Parsare și extragere de date : 4.6 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 7.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.9 Rată de trecere pe încercare 72.5% Teste instabile 6 Tokenuri de intrare 301,749 Tokenuri de ieșire 1,033 Tokenuri de raționament 620,023 Timp de răspuns (mediu) 102.66s Timp de răspuns (total) 2361.10s Timp de răspuns (maxim) 674.08s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 7.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 1 Tokenuri de intrare 224,367 Tokenuri de ieșire 27,095 Tokenuri de raționament 242,256 Timp de răspuns (mediu) 105.03s Timp de răspuns (total) 2310.63s Timp de răspuns (maxim) 912.19s Fără răspuns: 2 Timp expirat: 2 Răspuns greșit: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 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
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 7 Tokenuri de intrare 264,147 Tokenuri de ieșire 34,419 Tokenuri de raționament 253,480 Timp de răspuns (mediu) 107.79s Timp de răspuns (total) 2479.26s 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 Sarcini agentice : 10.0 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
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 8.7 Rată de trecere pe încercare 26.1% Teste instabile 6 Tokenuri de intrare 387,323 Tokenuri de ieșire 48,562 Tokenuri de raționament 410,431 Timp de răspuns (mediu) 110.18s Timp de răspuns (total) 1873.00s 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 Apel de instrument invalid: 1 Sarcini agentice : 5.2 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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 7 Tokenuri de intrare 378,048 Tokenuri de ieșire 56,477 Tokenuri de raționament 865,151 Timp de răspuns (mediu) 111.54s Timp de răspuns (total) 2565.38s Timp de răspuns (maxim) 950.25s Fără răspuns: 3 Timp expirat: 3 Răspuns greșit: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 7.4 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
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 27.5% Teste instabile 6 Tokenuri de intrare 344,806 Tokenuri de ieșire 177,330 Tokenuri de raționament 453,213 Timp de răspuns (mediu) 113.63s Timp de răspuns (total) 2613.48s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 12 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 2.8 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
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 6 Tokenuri de intrare 288,919 Tokenuri de ieșire 17,484 Tokenuri de raționament 617,804 Timp de răspuns (mediu) 114.73s Timp de răspuns (total) 2638.74s 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 Sarcini agentice : 10.0 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
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.9 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 262,387 Tokenuri de ieșire 7,344 Tokenuri de raționament 338,881 Timp de răspuns (mediu) 115.00s Timp de răspuns (total) 2645.11s Timp de răspuns (maxim) 560.39s Răspuns greșit: 8 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 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
#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
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 5 Tokenuri de intrare 281,863 Tokenuri de ieșire 24,535 Tokenuri de raționament 507,976 Timp de răspuns (mediu) 118.83s Timp de răspuns (total) 2733.01s Timp de răspuns (maxim) 600.61s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 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
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 313,881 Tokenuri de ieșire 123,706 Tokenuri de raționament 388,328 Timp de răspuns (mediu) 120.40s Timp de răspuns (total) 2769.16s Timp de răspuns (maxim) 534.21s Răspuns greșit: 5 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 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
#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
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 4 Tokenuri de intrare 226,880 Tokenuri de ieșire 65,346 Tokenuri de raționament 331,325 Timp de răspuns (mediu) 121.25s Timp de răspuns (total) 2667.55s Timp de răspuns (maxim) 876.20s Răspuns greșit: 4 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 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
#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
#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
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.0 Rată de trecere pe încercare 65.2% Teste instabile 5 Tokenuri de intrare 297,321 Tokenuri de ieșire 8,997 Tokenuri de raționament 423,853 Timp de răspuns (mediu) 124.87s Timp de răspuns (total) 2871.96s Timp de răspuns (maxim) 675.30s Răspuns greșit: 6 Eroare API: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 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
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 60.9% Teste instabile 8 Tokenuri de intrare 292,271 Tokenuri de ieșire 55,025 Tokenuri de raționament 186,071 Timp de răspuns (mediu) 125.76s Timp de răspuns (total) 2137.84s Timp de răspuns (maxim) 566.79s Răspuns greșit: 5 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 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
#250#250	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 6 Tokenuri de intrare 209,002 Tokenuri de ieșire 24,675 Tokenuri de raționament 377,528 Timp de răspuns (mediu) 128.91s Timp de răspuns (total) 2965.04s Timp de răspuns (maxim) 491.07s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 2.8 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
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 60.9% Teste instabile 5 Tokenuri de intrare 299,558 Tokenuri de ieșire 33,248 Tokenuri de raționament 374,819 Timp de răspuns (mediu) 133.93s Timp de răspuns (total) 3080.36s Timp de răspuns (maxim) 519.91s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 4.7 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
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 53.6% Teste instabile 5 Tokenuri de intrare 261,842 Tokenuri de ieșire 1,434,621 Tokenuri de raționament 0 Timp de răspuns (mediu) 136.10s Timp de răspuns (total) 3130.27s Timp de răspuns (maxim) 438.09s Fără răspuns: 6 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 6.4 Programare : 2.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.7 Rată de trecere pe încercare 58.0% Teste instabile 7 Tokenuri de intrare 261,256 Tokenuri de ieșire 1,425,268 Tokenuri de raționament 0 Timp de răspuns (mediu) 138.27s Timp de răspuns (total) 3180.10s Timp de răspuns (maxim) 436.56s Fără răspuns: 7 Eroare API: 2 Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.4 Trucuri anti-AI : 6.9 Programare : 2.7 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 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
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 8.9 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 166,347 Tokenuri de ieșire 423,884 Tokenuri de raționament 1,394,387 Timp de răspuns (mediu) 140.39s Timp de răspuns (total) 3229.07s Timp de răspuns (maxim) 786.72s Răspuns greșit: 10 Formatare suplimentară: 2 Eroare API: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.9 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
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 58.0% Teste instabile 2 Tokenuri de intrare 150,033 Tokenuri de ieșire 22,347 Tokenuri de raționament 402,143 Timp de răspuns (mediu) 142.76s Timp de răspuns (total) 3283.43s Timp de răspuns (maxim) 491.42s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Formatare suplimentară: 1 Sarcini agentice : 3.0 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

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