AI BENCHY

Clasament Benchmark AI

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: 2026-06-03 Modele evaluate: 161

161/161

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#51#51	Gemini 3.1 Flash Litelow	7.4	Google	$0.026	1.92s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 2 Tokenuri de intrare 33,889 Tokenuri de ieșire 2,726 Tokenuri de raționament 8,951 Timp de răspuns (mediu) 1.92s Timp de răspuns (total) 38.45s Timp de răspuns (maxim) 5.66s Răspuns greșit: 8 Trucuri anti-AI : 7.3 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#133#133	Kimi K2.5none	5.3	Moonshot AI	$0.027 ↑	14.06s
Vezi fișa modelului Total teste 20 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 36.7% Teste instabile 3 Tokenuri de intrare 33,436 Tokenuri de ieșire 6,653 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.06s Timp de răspuns (total) 182.72s Timp de răspuns (maxim) 42.13s Răspuns greșit: 14 Trucuri anti-AI : 3.6 Programare : 6.8 Combinat : 2.8 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#82#82	Qwen3.7 Plusnone	6.6	Qwen	$0.027	2.95s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 0 Tokenuri de intrare 39,669 Tokenuri de ieșire 6,572 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.95s Timp de răspuns (total) 58.96s Timp de răspuns (maxim) 29.38s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#114#114	Qwen3.6 27Bnone	5.8	Qwen	$0.027 ↓	3.85s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 6 Tokenuri de intrare 49,880 Tokenuri de ieșire 3,804 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.85s Timp de răspuns (total) 77.09s Timp de răspuns (maxim) 11.82s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.8 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 7.7 Inteligență generală : 5.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.5 Cultură generală : 3.0
#42#42	DeepSeek V4 Flashhigh	7.6	DeepSeek	$0.027 ↓	46.36s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 4 Tokenuri de intrare 37,156 Tokenuri de ieșire 10,302 Tokenuri de raționament 115,740 Timp de răspuns (mediu) 46.36s Timp de răspuns (total) 927.27s Timp de răspuns (maxim) 218.13s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#22#22	Gemma 4 31Bmedium	8.0	Google	$0.028 ↓	35.39s
Vezi fișa modelului Total teste 20 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 1 Tokenuri de intrare 15,899 Tokenuri de ieșire 19,602 Tokenuri de raționament 49,686 Timp de răspuns (mediu) 35.39s Timp de răspuns (total) 637.01s Timp de răspuns (maxim) 150.90s Eroare API: 2 Răspuns greșit: 2 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 4.1 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#151#151	Qwen3.6 35B A3Bnone	4.7	Qwen	$0.031 ↑	3.84s
Vezi fișa modelului Total teste 20 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.7% Teste instabile 5 Tokenuri de intrare 16,488 Tokenuri de ieșire 27,747 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.84s Timp de răspuns (total) 69.12s Timp de răspuns (maxim) 22.52s Răspuns greșit: 12 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.6 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#110#110	Qwen3.5 Plus 2026-04-20none	5.8	Qwen	$0.031 ↓	4.57s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 43.3% Teste instabile 4 Tokenuri de intrare 36,069 Tokenuri de ieșire 11,139 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.57s Timp de răspuns (total) 91.37s Timp de răspuns (maxim) 33.34s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 4.4 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#77#77	DeepSeek V3.2medium	6.8	DeepSeek	$0.033 ↓	53.34s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 6 Tokenuri de intrare 35,744 Tokenuri de ieșire 7,177 Tokenuri de raționament 68,297 Timp de răspuns (mediu) 53.34s Timp de răspuns (total) 1066.71s Timp de răspuns (maxim) 189.03s Răspuns greșit: 5 Eroare API: 2 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.2 Programare : 3.9 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#158#158	Qwen3.5-9Bmedium	4.2	Qwen	$0.033 ↓	83.32s
Vezi fișa modelului Total teste 20 Teste greșite 17 Fiabilitate 5.0 Rată de trecere pe încercare 28.3% Teste instabile 5 Tokenuri de intrare 15,204 Tokenuri de ieșire 27,305 Tokenuri de raționament 199,780 Timp de răspuns (mediu) 83.32s Timp de răspuns (total) 1249.74s Timp de răspuns (maxim) 226.38s Timp expirat: 11 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 5.1 Programare : 2.8 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
#74#74	Ring-2.6-1Tmedium	7.0	Inclusionai	$0.033	61.29s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 35,892 Tokenuri de ieșire 21,752 Tokenuri de raționament 42,754 Timp de răspuns (mediu) 61.29s Timp de răspuns (total) 1164.50s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.5 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.5 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#142#142	GPT-5.4 Mininone	4.9	OpenAI	$0.036	1.15s
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 31.7% Teste instabile 3 Tokenuri de intrare 31,625 Tokenuri de ieșire 2,508 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.15s Timp de răspuns (total) 23.09s Timp de răspuns (maxim) 2.52s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.1 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#32#32	Gemma 4 26B A4Bmedium	7.8	Google	$0.038 ↓	50.92s
Vezi fișa modelului Total teste 20 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 2 Tokenuri de intrare 38,410 Tokenuri de ieșire 28,000 Tokenuri de raționament 82,045 Timp de răspuns (mediu) 50.92s Timp de răspuns (total) 967.47s Timp de răspuns (maxim) 369.32s Răspuns greșit: 3 Timp expirat: 2 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 2.9 Combinat : 9.6 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
#70#70	MiMo-V2-Flashmedium	7.1	Xiaomi	$0.040 ↑	20.28s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 37,474 Tokenuri de ieșire 12,458 Tokenuri de raționament 115,182 Timp de răspuns (mediu) 20.28s Timp de răspuns (total) 283.87s Timp de răspuns (maxim) 96.01s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Trucuri anti-AI : 8.1 Programare : 4.1 Combinat : 9.8 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#132#132	GLM 5 Turbonone	5.3	Z.ai	$0.044 ↑	2.86s
Vezi fișa modelului Total teste 20 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 29,927 Tokenuri de ieșire 1,809 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.86s Timp de răspuns (total) 57.24s Timp de răspuns (maxim) 8.21s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.0 Programare : 4.4 Combinat : 3.0 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
#71#71	Seed-2.0-Minimedium	7.1	Bytedance Seed	$0.044	80.22s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.0% Teste instabile 2 Tokenuri de intrare 41,904 Tokenuri de ieșire 2,555 Tokenuri de raționament 95,974 Timp de răspuns (mediu) 80.22s Timp de răspuns (total) 1363.72s Timp de răspuns (maxim) 262.83s Timp expirat: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.6 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#117#117	Mimo V2 PROnone	5.7	Xiaomi	$0.045 ↓	2.27s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 43.3% 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 Trucuri anti-AI : 3.5 Programare : 6.8 Combinat : 3.0 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
#76#76	Hy3 previewhigh	6.9	Tencent	$0.048	56.57s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 58.3% Teste instabile 2 Tokenuri de intrare 25,987 Tokenuri de ieșire 216,719 Tokenuri de raționament 0 Timp de răspuns (mediu) 56.57s Timp de răspuns (total) 848.59s Timp de răspuns (maxim) 149.94s Eroare API: 6 Răspuns greșit: 3 Trucuri anti-AI : 6.4 Programare : 6.5 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#105#105	GLM 5V Turbonone	5.9	Z.ai	$0.049	3.04s
Vezi fișa modelului Total teste 20 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 40.0% Teste instabile 0 Tokenuri de intrare 34,502 Tokenuri de ieșire 1,760 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.04s Timp de răspuns (total) 60.88s Timp de răspuns (maxim) 6.51s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 6.8 Combinat : 3.0 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
#26#26	Qwen3.7 Maxnone	7.9	Qwen	$0.051 ↓	1.30s
Vezi fișa modelului Total teste 20 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 0 Tokenuri de intrare 34,266 Tokenuri de ieșire 1,988 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.30s Timp de răspuns (total) 25.95s Timp de răspuns (maxim) 3.92s Răspuns greșit: 6 Trucuri anti-AI : 6.5 Programare : 6.8 Combinat : 3.0 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
#54#54	MiMo-V2.5medium	7.4	Xiaomi	$0.052 ↓	20.35s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 4 Tokenuri de intrare 39,201 Tokenuri de ieșire 2,806 Tokenuri de raționament 161,888 Timp de răspuns (mediu) 20.35s Timp de răspuns (total) 406.94s Timp de răspuns (maxim) 97.49s Răspuns greșit: 4 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.9 Combinat : 10.0 Parsare și extragere de date : 2.7 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#155#155	GLM 4.7 Flashmedium	4.5	Z.ai	$0.054	35.10s
Vezi fișa modelului Total teste 20 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 35.0% Teste instabile 8 Tokenuri de intrare 37,206 Tokenuri de ieșire 43,754 Tokenuri de raționament 89,079 Timp de răspuns (mediu) 35.10s Timp de răspuns (total) 456.24s Timp de răspuns (maxim) 174.55s Răspuns greșit: 9 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 4.7 Programare : 3.4 Combinat : 2.8 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
#89#89	Mercury 2medium	6.5	Inception	$0.055	2.27s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 51.7% Teste instabile 3 Tokenuri de intrare 32,570 Tokenuri de ieșire 4,022 Tokenuri de raționament 58,405 Timp de răspuns (mediu) 2.27s Timp de răspuns (total) 43.20s Timp de răspuns (maxim) 14.63s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 6.9 Programare : 7.2 Combinat : 10.0 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
#108#108	GLM 5.1none	5.8	Z.ai	$0.056 ↓	4.20s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 43.3% Teste instabile 4 Tokenuri de intrare 44,535 Tokenuri de ieșire 3,748 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.20s Timp de răspuns (total) 83.95s Timp de răspuns (maxim) 32.57s Răspuns greșit: 12 Apel de instrument invalid: 1 Trucuri anti-AI : 4.0 Programare : 4.3 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#129#129	Mistral Small 4medium	5.4	Mistral	$0.056	8.35s
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 45.0% Teste instabile 7 Tokenuri de intrare 39,834 Tokenuri de ieșire 21,871 Tokenuri de raționament 68,349 Timp de răspuns (mediu) 8.35s Timp de răspuns (total) 167.08s Timp de răspuns (maxim) 59.15s Răspuns greșit: 11 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 5.6 Programare : 5.1 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 33.3% Teste instabile 0 Tokenuri de intrare 41,313 Tokenuri de ieșire 1,923 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.11s Timp de răspuns (total) 19.96s Timp de răspuns (maxim) 6.04s Răspuns greșit: 10 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0
#100#100	DeepSeek V4 Prohigh	6.1	DeepSeek	$0.062 ↓	58.92s
Vezi fișa modelului Total teste 20 Teste greșite 12 Fiabilitate 8.9 Rată de trecere pe încercare 55.0% Teste instabile 6 Tokenuri de intrare 30,514 Tokenuri de ieșire 12,244 Tokenuri de raționament 53,958 Timp de răspuns (mediu) 58.92s Timp de răspuns (total) 1119.51s Timp de răspuns (maxim) 358.35s Eroare API: 5 Răspuns greșit: 4 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.4 Programare : 2.7 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#55#55	Step 3.5 Flashmedium	7.4	Stepfun	$0.062 ↑	43.20s
Vezi fișa modelului Total teste 19 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 59.7% Teste instabile 1 Tokenuri de intrare 33,555 Tokenuri de ieșire 90,478 Tokenuri de raționament 173,544 Timp de răspuns (mediu) 43.20s Timp de răspuns (total) 561.54s Timp de răspuns (maxim) 170.45s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 3.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#35#35	Gemini 3.1 Flash Lite Previewmedium	7.7	Google	$0.063	3.94s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 0 Tokenuri de intrare 34,781 Tokenuri de ieșire 2,204 Tokenuri de raționament 33,657 Timp de răspuns (mediu) 3.94s Timp de răspuns (total) 78.74s Timp de răspuns (maxim) 14.93s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 6.8 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
#36#36	Gemini 3.1 Flash Litemedium	7.7	Google	$0.065	3.18s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 2 Tokenuri de intrare 33,803 Tokenuri de ieșire 2,248 Tokenuri de raționament 35,390 Timp de răspuns (mediu) 3.18s Timp de răspuns (total) 63.55s Timp de răspuns (maxim) 10.87s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă