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: 2026-10-01 Modele evaluate: 382

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

382/382

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#357#357	Grok 4.20 Betanone	3.6	X AI	$0.087 ↓	1.19s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 29.0% Teste instabile 1 Tokenuri de intrare 40,597 Tokenuri de ieșire 1,657 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.19s Timp de răspuns (total) 21.43s Timp de răspuns (maxim) 6.48s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.0 Programare : 1.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#356#356	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.6 Rată de trecere pe încercare 23.2% Teste instabile 3 Tokenuri de intrare 103,898 Tokenuri de ieșire 148,304 Tokenuri de raționament 774,972 Timp de răspuns (mediu) 64.99s Timp de răspuns (total) 1429.68s Timp de răspuns (maxim) 262.20s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.7 Specific domeniului : 3.0 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#355#355	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.6 Rată de trecere pe încercare 18.8% Teste instabile 1 Tokenuri de intrare 99,662 Tokenuri de ieșire 146,555 Tokenuri de raționament 732,977 Timp de răspuns (mediu) 63.15s Timp de răspuns (total) 1389.35s Timp de răspuns (maxim) 252.08s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.6 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#354#354	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 3 Tokenuri de intrare 115,314 Tokenuri de ieșire 133,965 Tokenuri de raționament 816,718 Timp de răspuns (mediu) 72.24s Timp de răspuns (total) 1589.23s Timp de răspuns (maxim) 345.15s Fără răspuns: 7 Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 6.4 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#353#353	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.007 ↕	15.92s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 9.8 Rată de trecere pe încercare 15.9% Teste instabile 2 Tokenuri de intrare 97,418 Tokenuri de ieșire 4,779 Tokenuri de raționament 0 Timp de răspuns (mediu) 15.92s Timp de răspuns (total) 366.20s Timp de răspuns (maxim) 339.57s Răspuns greșit: 16 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.8 Programare : 3.1 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 2.8 Cultură generală : 3.0
#352#352	Granite 4.1 8bnone	3.8	IBM Granite	$0.007	1.38s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 113,836 Tokenuri de ieșire 5,996 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.38s Timp de răspuns (total) 31.81s Timp de răspuns (maxim) 16.67s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.9 Programare : 4.5 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.6 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#351#351	Ling 3.0 Tinynone	3.8	Inclusionai	$0.000	13.39s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 9.8 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 184,579 Tokenuri de ieșire 110,071 Tokenuri de raționament 0 Timp de răspuns (mediu) 13.39s Timp de răspuns (total) 294.48s Timp de răspuns (maxim) 240.61s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Eroare API: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.8 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 3.1 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#350#350	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 44,969 Tokenuri de ieșire 58,087 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.73s Timp de răspuns (total) 220.93s Timp de răspuns (maxim) 53.14s Eroare API: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#349#349	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 6 Tokenuri de intrare 42,845 Tokenuri de ieșire 2,006 Tokenuri de raționament 96,334 Timp de răspuns (mediu) 23.85s Timp de răspuns (total) 286.16s Timp de răspuns (maxim) 121.79s Nu a urmat instrucțiunile: 4 Răspuns greșit: 4 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 8.7 Programare : 0.8 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#348#348	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 50.7% Teste instabile 6 Tokenuri de intrare 28,927 Tokenuri de ieșire 4,682 Tokenuri de raționament 17,969 Timp de răspuns (mediu) 10.33s Timp de răspuns (total) 175.58s Timp de răspuns (maxim) 30.53s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Timp expirat: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 7.3 Programare : 1.0 Combinat : 2.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 7.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 0.0
#347#347	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 46.4% Teste instabile 5 Tokenuri de intrare 721,952 Tokenuri de ieșire 294,668 Tokenuri de raționament 305,374 Timp de răspuns (mediu) 9.69s Timp de răspuns (total) 155.07s Timp de răspuns (maxim) 35.28s Răspuns greșit: 4 Eroare API: 2 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 6.9 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 3.0 Cultură generală : 0.0
#346#346	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
#345#345	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 39.1% Teste instabile 0 Tokenuri de intrare 32,639 Tokenuri de ieșire 1,153 Tokenuri de raționament 62,197 Timp de răspuns (mediu) 15.25s Timp de răspuns (total) 182.96s Timp de răspuns (maxim) 43.55s Eroare API: 8 Răspuns greșit: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 8.3 Programare : 1.0 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#344#344	Mercury 2.5none	4.1	Inception	$0.026	5.10s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 7 Tokenuri de intrare 311,488 Tokenuri de ieșire 89,958 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.10s Timp de răspuns (total) 117.24s Timp de răspuns (maxim) 63.41s Răspuns greșit: 15 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.8 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 4.9 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#343#343	GLM 5 Turbonone	4.2	Z.ai	$0.047 ↑	2.82s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% 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 Sarcini agentice : 0.0 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
#342#342	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Vezi fișa modelului Total teste 20 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 3 Tokenuri de intrare 131,652 Tokenuri de ieșire 62,213 Tokenuri de raționament 0 Timp de răspuns (mediu) 28.63s Timp de răspuns (total) 486.69s Timp de răspuns (maxim) 140.90s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#341#341	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
#340#340	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
#339#339	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
Vezi fișa modelului Total teste 16 Teste greșite 3 Fiabilitate N/D Rată de trecere pe încercare 56.5% Teste instabile 0 Tokenuri de intrare 28,980 Tokenuri de ieșire 1,283 Tokenuri de raționament 1,533,310 Timp de răspuns (mediu) 68.14s Timp de răspuns (total) 1090.28s Timp de răspuns (maxim) 280.52s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 7.5 Programare : 0.0 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#338#338	Mercury 2none	4.4	Inception	$0.033	1.18s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 2 Tokenuri de intrare 100,634 Tokenuri de ieșire 9,709 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.18s Timp de răspuns (total) 27.14s Timp de răspuns (maxim) 9.00s Răspuns greșit: 17 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#337#337	Cobuddymedium	4.4	Baidu	$0.000	38.01s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 6 Tokenuri de intrare 37,449 Tokenuri de ieșire 1,677 Tokenuri de raționament 116,703 Timp de răspuns (mediu) 38.01s Timp de răspuns (total) 798.15s Timp de răspuns (maxim) 309.02s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 4.2 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#336#336	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
#335#335	Trinity Large Previewnone	4.4	Arcee AI	$0.008 ↑	2.83s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 20.3% Teste instabile 2 Tokenuri de intrare 29,828 Tokenuri de ieșire 2,169 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.83s Timp de răspuns (total) 56.65s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Eroare API: 3 Nu a urmat instrucțiunile: 3 Sarcini agentice : 3.0 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
#334#334	KAT Coder AIR V2.5none	4.4	Kwaipilot	$0.070	11.96s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 7 Tokenuri de intrare 69,376 Tokenuri de ieșire 97,752 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.96s Timp de răspuns (total) 275.18s Timp de răspuns (maxim) 121.05s Răspuns greșit: 13 Formatare suplimentară: 3 Eroare API: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 5.3 Programare : 3.3 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#333#333	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.5 Rată de trecere pe încercare 27.5% Teste instabile 3 Tokenuri de intrare 146,361 Tokenuri de ieșire 9,074 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.11s Timp de răspuns (total) 163.46s Timp de răspuns (maxim) 30.51s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Sarcini agentice : 2.8 Trucuri anti-AI : 4.8 Programare : 3.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.5 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