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)
#332#332	Mimo V2 Omninone	4.5	Xiaomi	$0.021 ↓	2.44s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% 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 Sarcini agentice : 0.0 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
#331#331	Ring 2.6 1tnone	4.5	Inclusionai	$0.026 ↑	48.94s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 7,608 Tokenuri de ieșire 40,277 Tokenuri de raționament 0 Timp de răspuns (mediu) 48.94s Timp de răspuns (total) 831.92s Timp de răspuns (maxim) 143.82s Eroare API: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#330#330	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 2 Tokenuri de intrare 21,045 Tokenuri de ieșire 63,460 Tokenuri de raționament 0 Timp de răspuns (mediu) 24.56s Timp de răspuns (total) 368.35s Timp de răspuns (maxim) 78.74s Eroare API: 7 Răspuns greșit: 4 Sarcini agentice : 0.0 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#329#329	Ling 2.6 Flashnone	4.5	Inclusionai	$0.002 ↑	10.21s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.6 Rată de trecere pe încercare 29.0% Teste instabile 2 Tokenuri de intrare 114,384 Tokenuri de ieșire 14,903 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.21s Timp de răspuns (total) 214.31s Timp de răspuns (maxim) 36.03s Răspuns greșit: 9 Eroare API: 3 Apel de instrument invalid: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 6.8 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#328#328	Owl Alphanone	4.6	Openrouter	$0.000	9.88s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 42,283 Tokenuri de ieșire 5,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.88s Timp de răspuns (total) 207.38s Timp de răspuns (maxim) 47.10s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.4 Programare : 5.6 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#327#327	Mimo V2 PROnone	4.6	Xiaomi	$0.045 ↓	2.27s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% 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 Sarcini agentice : 0.0 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
#326#326	Owl Alphamedium	4.6	Openrouter	$0.000	11.95s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 1 Tokenuri de intrare 43,478 Tokenuri de ieșire 2,974 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.95s Timp de răspuns (total) 250.88s Timp de răspuns (maxim) 58.63s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Eroare API: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 5.4 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 : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#325#325	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.123 ↕	83.19s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.5 Rată de trecere pe încercare 40.6% Teste instabile 9 Tokenuri de intrare 207,883 Tokenuri de ieșire 144,718 Tokenuri de raționament 525,897 Timp de răspuns (mediu) 83.19s Timp de răspuns (total) 1913.41s Timp de răspuns (maxim) 597.61s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 6.9 Programare : 4.0 Combinat : 6.3 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#324#324	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 6 Tokenuri de intrare 232,641 Tokenuri de ieșire 69,335 Tokenuri de raționament 426,182 Timp de răspuns (mediu) 88.24s Timp de răspuns (total) 2029.57s Timp de răspuns (maxim) 814.73s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#323#323	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% 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 Sarcini agentice : 0.0 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
#322#322	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
Vezi fișa modelului Total teste 18 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 4 Tokenuri de intrare 29,134 Tokenuri de ieșire 1,984 Tokenuri de raționament 1,355,583 Timp de răspuns (mediu) 61.96s Timp de răspuns (total) 1115.31s Timp de răspuns (maxim) 149.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#321#321	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 4 Tokenuri de intrare 246,687 Tokenuri de ieșire 14,894 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.42s Timp de răspuns (total) 101.75s Timp de răspuns (maxim) 45.38s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 3.9 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
#320#320	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 5 Tokenuri de intrare 342,158 Tokenuri de ieșire 57,866 Tokenuri de raționament 0 Timp de răspuns (mediu) 22.44s Timp de răspuns (total) 516.03s Timp de răspuns (maxim) 122.50s Răspuns greșit: 9 Eroare API: 3 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.2 Programare : 3.1 Combinat : 4.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#319#319	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 4 Tokenuri de intrare 311,647 Tokenuri de ieșire 40,395 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.97s Timp de răspuns (total) 305.55s Timp de răspuns (maxim) 151.35s Răspuns greșit: 15 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 6.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#318#318	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
#317#317	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 14.5% Teste instabile 3 Tokenuri de intrare 287,445 Tokenuri de ieșire 99,097 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.65s Timp de răspuns (total) 406.05s Timp de răspuns (maxim) 200.52s Răspuns greșit: 18 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 5.4 Trucuri anti-AI : 3.1 Programare : 3.4 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 4.7 Cultură generală : 3.0
#316#316	North Mini Codenone	4.7	Cohere	$0.000	29.47s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 8.9 Rată de trecere pe încercare 17.4% Teste instabile 0 Tokenuri de intrare 177,989 Tokenuri de ieșire 26,954 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.47s Timp de răspuns (total) 677.70s Timp de răspuns (maxim) 159.85s Răspuns greșit: 13 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 9.5 Cultură generală : 3.0
#315#315	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.137 ↕	81.93s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.8 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 195,780 Tokenuri de ieșire 167,746 Tokenuri de raționament 598,384 Timp de răspuns (mediu) 81.93s Timp de răspuns (total) 1884.31s Timp de răspuns (maxim) 437.11s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 6.9 Programare : 4.4 Combinat : 6.2 Parsare și extragere de date : 3.7 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#314#314	Mercury 2.5 Previewnone	4.7	Inception	$0.023 ↑	7.05s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.9 Rată de trecere pe încercare 29.0% Teste instabile 5 Tokenuri de intrare 250,541 Tokenuri de ieșire 86,367 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.05s Timp de răspuns (total) 162.25s Timp de răspuns (maxim) 84.96s Răspuns greșit: 16 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 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
#313#313	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 3 Tokenuri de intrare 255,363 Tokenuri de ieșire 27,395 Tokenuri de raționament 0 Timp de răspuns (mediu) 13.04s Timp de răspuns (total) 221.61s Timp de răspuns (maxim) 97.15s Răspuns greșit: 15 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.2 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 2.8 Cultură generală : 3.0
#312#312	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% 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: 7 Răspuns greșit: 3 Sarcini agentice : 0.0 Trucuri anti-AI : 6.4 Programare : 5.3 Combinat : 5.0 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
#311#311	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 3 Tokenuri de intrare 37,007 Tokenuri de ieșire 1,952 Tokenuri de raționament 357,306 Timp de răspuns (mediu) 41.16s Timp de răspuns (total) 823.26s Timp de răspuns (maxim) 299.23s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#310#310	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 6.2 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 185,167 Tokenuri de ieșire 9,430 Tokenuri de raționament 0 Timp de răspuns (mediu) 40.38s Timp de răspuns (total) 928.76s Timp de răspuns (maxim) 95.32s Răspuns greșit: 14 Eroare API: 2 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.3 Programare : 3.8 Combinat : 3.0 Parsare și extragere de date : 8.7 Specific domeniului : 6.8 Inteligență generală : 5.1 Respectarea instrucțiunilor : 7.0 Rezolvare de puzzle-uri : 4.6 Apelare instrumente : 3.0 Cultură generală : 3.0
#309#309	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.8 Rată de trecere pe încercare 18.8% Teste instabile 1 Tokenuri de intrare 307,670 Tokenuri de ieșire 70,427 Tokenuri de raționament 0 Timp de răspuns (mediu) 37.19s Timp de răspuns (total) 855.27s Timp de răspuns (maxim) 433.02s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 3.9 Trucuri anti-AI : 3.1 Programare : 3.9 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#308#308	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 2 Tokenuri de intrare 276,608 Tokenuri de ieșire 33,960 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.88s Timp de răspuns (total) 227.24s Timp de răspuns (maxim) 124.23s Răspuns greșit: 14 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 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