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: 2026-09-02 Modele evaluate: 311

Modele recomandate

GPT-5.6 Sol high Inteligent Rată de trecere pe încercare 89.4% Teste corecte 18 / 22 Scor 9.4/10 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 $0.065 / 1M Preț de ieșire $0.180 / 1M Scor 8.0/10

311/311

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#224#224	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 3 Tokenuri de intrare 39,344 Tokenuri de ieșire 2,352 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.27s Timp de răspuns (total) 45.50s Timp de răspuns (maxim) 6.58s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#130#130	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
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 79,294 Tokenuri de ieșire 4,915 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.35s Timp de răspuns (total) 51.78s Timp de răspuns (maxim) 12.24s Răspuns greșit: 10 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#232#232	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 37.9% Teste instabile 1 Tokenuri de intrare 40,852 Tokenuri de ieșire 3,314 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.44s Timp de răspuns (total) 48.81s Timp de răspuns (maxim) 6.81s Răspuns greșit: 10 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.6 Programare : 4.4 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#157#157	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 6 Tokenuri de intrare 139,165 Tokenuri de ieșire 12,899 Tokenuri de raționament 25,511 Timp de răspuns (mediu) 2.56s Timp de răspuns (total) 56.32s Timp de răspuns (maxim) 15.14s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 9.0 Programare : 4.3 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 4.7
#271#271	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 4 Tokenuri de intrare 115,933 Tokenuri de ieșire 13,794 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.56s Timp de răspuns (total) 56.37s Timp de răspuns (maxim) 25.50s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.5 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#153#153	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 1 Tokenuri de intrare 100,762 Tokenuri de ieșire 16,454 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.65s Timp de răspuns (total) 58.21s Timp de răspuns (maxim) 25.26s Răspuns greșit: 6 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#296#296	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 6.7 Rată de trecere pe încercare 24.2% Teste instabile 4 Tokenuri de intrare 36,851 Tokenuri de ieșire 68,882 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.76s Timp de răspuns (total) 46.99s Timp de răspuns (maxim) 19.68s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 3.2 Programare : 4.3 Combinat : 1.5 Parsare și extragere de date : 2.9 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#148#148	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.82s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 3 Tokenuri de intrare 104,217 Tokenuri de ieșire 10,710 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.82s Timp de răspuns (total) 45.05s Timp de răspuns (maxim) 21.19s Răspuns greșit: 8 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#257#257	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 32,525 Tokenuri de ieșire 1,815 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.82s Timp de răspuns (total) 59.29s Timp de răspuns (maxim) 8.21s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#287#287	Laguna M.1none	4.4	Poolside	$0.009 ↕	2.89s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 9.8 Rată de trecere pe încercare 27.3% Teste instabile 3 Tokenuri de intrare 38,147 Tokenuri de ieșire 2,054 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.89s Timp de răspuns (total) 43.28s Timp de răspuns (maxim) 15.42s Răspuns greșit: 10 Eroare API: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 2.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#131#131	Mercury 2medium	7.0	Inception	$0.094	2.95s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% Teste instabile 4 Tokenuri de intrare 110,515 Tokenuri de ieșire 10,325 Tokenuri de raționament 77,229 Timp de răspuns (mediu) 2.95s Timp de răspuns (total) 61.89s Timp de răspuns (maxim) 14.63s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 8.2 Combinat : 6.7 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#276#276	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 21.2% Teste instabile 2 Tokenuri de intrare 29,828 Tokenuri de ieșire 2,169 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.98s Timp de răspuns (total) 56.57s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Eroare API: 2 Trucuri anti-AI : 3.1 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.5 Respectarea instrucțiunilor : 3.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#221#221	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 0 Tokenuri de intrare 37,100 Tokenuri de ieșire 1,766 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.99s Timp de răspuns (total) 62.74s Timp de răspuns (maxim) 6.51s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#156#156	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
Vezi fișa modelului Total teste 19 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 0 Tokenuri de intrare 69,576 Tokenuri de ieșire 6,265 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.02s Timp de răspuns (total) 57.44s Timp de răspuns (maxim) 18.27s Răspuns greșit: 3 Trucuri anti-AI : 8.3 Programare : 3.3 Combinat : 4.8 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
#231#231	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 0 Tokenuri de intrare 122,463 Tokenuri de ieșire 11,445 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.12s Timp de răspuns (total) 68.69s Timp de răspuns (maxim) 44.76s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#248#248	Inklingnone	5.2	Thinkingmachines	$0.147	3.47s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 28.8% Teste instabile 1 Tokenuri de intrare 104,120 Tokenuri de ieșire 10,554 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.47s Timp de răspuns (total) 76.28s Timp de răspuns (maxim) 48.02s Răspuns greșit: 13 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 3.0 Cultură generală : 3.0
#265#265	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 5 Tokenuri de intrare 130,296 Tokenuri de ieșire 82,585 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.51s Timp de răspuns (total) 77.28s Timp de răspuns (maxim) 60.70s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.8 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#247#247	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 16.7% Teste instabile 1 Tokenuri de intrare 116,155 Tokenuri de ieșire 19,679 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.53s Timp de răspuns (total) 77.68s Timp de răspuns (maxim) 24.48s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.1 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#215#215	Ling-3.0-flashnone	5.7	Inclusionai	$0.004 ↕	3.56s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 0 Tokenuri de intrare 123,993 Tokenuri de ieșire 12,777 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.56s Timp de răspuns (total) 74.74s Timp de răspuns (maxim) 17.51s Răspuns greșit: 13 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#96#96	Mercury 2.5 Previewmedium	7.5	Inception	$0.024	3.58s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 1 Tokenuri de intrare 112,713 Tokenuri de ieșire 5,436 Tokenuri de raționament 121,598 Timp de răspuns (mediu) 3.58s Timp de răspuns (total) 78.66s Timp de răspuns (maxim) 17.84s Răspuns greșit: 4 Eroare API: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#190#190	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 1 Tokenuri de intrare 139,797 Tokenuri de ieșire 30,947 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.73s Timp de răspuns (total) 81.95s Timp de răspuns (maxim) 48.79s Răspuns greșit: 12 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.1 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#14#14	Gemini 3.7 Flashlow	9.2	Google	$0.207 ↑	3.85s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.5% Teste instabile 2 Tokenuri de intrare 90,322 Tokenuri de ieșire 6,294 Tokenuri de raționament 30,759 Timp de răspuns (mediu) 3.85s Timp de răspuns (total) 84.80s Timp de răspuns (maxim) 19.44s Răspuns greșit: 2 Trucuri anti-AI : 10.0 Programare : 7.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 8.2 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#193#193	Nemotron 3 Ultranone	6.1	NVIDIA	$0.084 ↕	3.88s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.4% Teste instabile 2 Tokenuri de intrare 101,168 Tokenuri de ieșire 9,470 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.88s Timp de răspuns (total) 85.33s Timp de răspuns (maxim) 37.50s Răspuns greșit: 11 Eroare API: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#163#163	Mercury 2.5 Previewhigh	6.6	Inception	$0.030	4.01s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 5 Tokenuri de intrare 115,759 Tokenuri de ieșire 2,562 Tokenuri de raționament 160,943 Timp de răspuns (mediu) 4.01s Timp de răspuns (total) 88.25s Timp de răspuns (maxim) 17.71s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#213#213	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
Vezi fișa modelului Total teste 21 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 42.4% Teste instabile 1 Tokenuri de intrare 37,135 Tokenuri de ieșire 1,989 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.03s Timp de răspuns (total) 56.37s Timp de răspuns (maxim) 11.07s Răspuns greșit: 12 Trucuri anti-AI : 4.8 Programare : 4.0 Combinat : 1.5 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

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium