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)
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 3 Tokenuri de intrare 287,669 Tokenuri de ieșire 47,204 Tokenuri de raționament 375,030 Timp de răspuns (mediu) 144.88s Timp de răspuns (total) 3332.19s Timp de răspuns (maxim) 939.52s Răspuns greșit: 8 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 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
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 7 Tokenuri de intrare 384,974 Tokenuri de ieșire 13,946 Tokenuri de raționament 371,916 Timp de răspuns (mediu) 145.21s Timp de răspuns (total) 3339.87s Timp de răspuns (maxim) 640.89s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 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
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.5 Rată de trecere pe încercare 78.3% Teste instabile 7 Tokenuri de intrare 298,476 Tokenuri de ieșire 7,762 Tokenuri de raționament 515,918 Timp de răspuns (mediu) 148.11s Timp de răspuns (total) 3406.53s Timp de răspuns (maxim) 904.91s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 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
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.4 Rată de trecere pe încercare 30.4% Teste instabile 8 Tokenuri de intrare 228,711 Tokenuri de ieșire 42,254 Tokenuri de raționament 422,121 Timp de răspuns (mediu) 150.90s Timp de răspuns (total) 2414.33s Timp de răspuns (maxim) 1539.97s Răspuns greșit: 10 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Timp expirat: 2 Sarcini agentice : 3.9 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
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 4 Tokenuri de intrare 275,080 Tokenuri de ieșire 32,447 Tokenuri de raționament 372,188 Timp de răspuns (mediu) 151.67s Timp de răspuns (total) 3488.43s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Sarcini agentice : 10.0 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
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.4 Rată de trecere pe încercare 76.8% Teste instabile 1 Tokenuri de intrare 270,889 Tokenuri de ieșire 10,688 Tokenuri de raționament 328,857 Timp de răspuns (mediu) 151.96s Timp de răspuns (total) 3495.01s Timp de răspuns (maxim) 960.01s Timp expirat: 2 Răspuns greșit: 2 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.5 Rată de trecere pe încercare 52.2% Teste instabile 4 Tokenuri de intrare 243,381 Tokenuri de ieșire 1,581,325 Tokenuri de raționament 0 Timp de răspuns (mediu) 154.41s Timp de răspuns (total) 3551.40s Timp de răspuns (maxim) 455.72s Fără răspuns: 7 Răspuns greșit: 3 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 2 Tokenuri de intrare 241,855 Tokenuri de ieșire 8,387 Tokenuri de raționament 600,946 Timp de răspuns (mediu) 161.25s Timp de răspuns (total) 3708.70s Timp de răspuns (maxim) 739.98s Răspuns greșit: 3 Fără răspuns: 2 Sarcini agentice : 10.0 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
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.7 Rată de trecere pe încercare 78.3% Teste instabile 2 Tokenuri de intrare 348,967 Tokenuri de ieșire 1,005 Tokenuri de raționament 676,075 Timp de răspuns (mediu) 166.34s Timp de răspuns (total) 3825.81s Timp de răspuns (maxim) 640.85s Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Răspuns greșit: 2 Sarcini agentice : 10.0 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
#42#42	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
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 246,954 Tokenuri de ieșire 8,378 Tokenuri de raționament 698,942 Timp de răspuns (mediu) 170.52s Timp de răspuns (total) 3922.04s Timp de răspuns (maxim) 584.71s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 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
#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
#68#68	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 5 Tokenuri de intrare 234,572 Tokenuri de ieșire 8,019 Tokenuri de raționament 761,563 Timp de răspuns (mediu) 189.13s Timp de răspuns (total) 4349.92s Timp de răspuns (maxim) 885.33s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 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
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 3 Tokenuri de intrare 139,086 Tokenuri de ieșire 193,584 Tokenuri de raționament 413,546 Timp de răspuns (mediu) 190.48s Timp de răspuns (total) 3238.23s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 2.8 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
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 6.5 Rată de trecere pe încercare 21.7% Teste instabile 4 Tokenuri de intrare 162,180 Tokenuri de ieșire 5,030 Tokenuri de raționament 682,447 Timp de răspuns (mediu) 207.21s Timp de răspuns (total) 4765.91s Timp de răspuns (maxim) 597.45s Răspuns greșit: 13 Eroare API: 5 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 4.7 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
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 8.2 Rată de trecere pe încercare 37.7% Teste instabile 10 Tokenuri de intrare 282,658 Tokenuri de ieșire 198,563 Tokenuri de raționament 462,804 Timp de răspuns (mediu) 235.35s Timp de răspuns (total) 5413.09s Timp de răspuns (maxim) 685.87s Timp expirat: 10 Răspuns greșit: 7 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 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
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 230,895 Tokenuri de ieșire 161,281 Tokenuri de raționament 510,655 Timp de răspuns (mediu) 263.69s Timp de răspuns (total) 6064.89s Timp de răspuns (maxim) 1727.29s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 3.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
Vezi fișa modelului Total teste 23 Teste greșite 22 Fiabilitate 7.3 Rată de trecere pe încercare 26.1% Teste instabile 11 Tokenuri de intrare 98,467 Tokenuri de ieșire 3,385 Tokenuri de raționament 104,595 Timp de răspuns (mediu) 371.69s Timp de răspuns (total) 8548.88s Timp de răspuns (maxim) 971.85s Răspuns greșit: 9 Timp expirat: 6 Eroare API: 4 Nu a urmat instrucțiunile: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 3.8 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.2 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 17 18

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