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)
#330#330	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 170,517 Tokenuri de ieșire 149,968 Tokenuri de raționament 509,725 Timp de răspuns (mediu) 77.08s Timp de răspuns (total) 1772.78s Timp de răspuns (maxim) 490.99s Răspuns greșit: 11 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 5.5 Programare : 4.4 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#334#334	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.7 Rată de trecere pe încercare 42.0% Teste instabile 8 Tokenuri de intrare 321,955 Tokenuri de ieșire 41,555 Tokenuri de raționament 94,946 Timp de răspuns (mediu) 12.68s Timp de răspuns (total) 291.66s Timp de răspuns (maxim) 59.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.6 Programare : 4.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#335#335	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 265,602 Tokenuri de ieșire 10,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.12s Timp de răspuns (total) 71.87s Timp de răspuns (maxim) 45.46s Răspuns greșit: 17 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.4 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#338#338	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 4 Tokenuri de intrare 273,075 Tokenuri de ieșire 17,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.21s Timp de răspuns (total) 142.89s Timp de răspuns (maxim) 53.13s Răspuns greșit: 12 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 44.9% Teste instabile 10 Tokenuri de intrare 277,130 Tokenuri de ieșire 45,188 Tokenuri de raționament 129,163 Timp de răspuns (mediu) 50.32s Timp de răspuns (total) 1107.03s Timp de răspuns (maxim) 198.82s Răspuns greșit: 6 Nu a urmat instrucțiunile: 5 Apel de instrument invalid: 2 Fără răspuns: 2 Timp expirat: 2 Eroare API: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 7.9 Programare : 5.7 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#344#344	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% Teste instabile 0 Tokenuri de intrare 145,180 Tokenuri de ieșire 3,627 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.16s Timp de răspuns (total) 70.70s Timp de răspuns (maxim) 39.99s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#347#347	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 1 Tokenuri de intrare 94,733 Tokenuri de ieșire 7,087 Tokenuri de raționament 1,683 Timp de răspuns (mediu) 1.45s Timp de răspuns (total) 33.24s Timp de răspuns (maxim) 12.35s Răspuns greșit: 15 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.1 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 250,329 Tokenuri de ieșire 45,168 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.73s Timp de răspuns (total) 355.09s Timp de răspuns (maxim) 208.38s Răspuns greșit: 15 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.6 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#352#352	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 17,693 Tokenuri de raționament 16,267 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
#357#357	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
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	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
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	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
#377#377	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 9,073 Tokenuri de raționament 1 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
#378#378	KAT Coder AIR V2.5default	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 7,792 Tokenuri de raționament 89,960 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
#384#384	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
#404#404	Elephant Alphadefault	3.6	Openrouter	$0.000	1.22s
Vezi fișa modelului Total teste 21 Teste greșite 16 Fiabilitate N/D Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 33,743 Tokenuri de ieșire 2,573 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.22s Timp de răspuns (total) 22.03s Timp de răspuns (maxim) 3.81s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.6 Programare : 4.2 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#427#427	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
Vezi fișa modelului Total teste 12 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 47,583 Tokenuri de ieșire 0 Tokenuri de raționament 0 Timp de răspuns (mediu) 495ms Timp de răspuns (total) 5.94s Timp de răspuns (maxim) 842ms Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 2.3 Programare : 2.5 Combinat : 0.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#428#428	Kev 4Bdefault	2.4	Jaredpalmer	$0.002	5.63s
Vezi fișa modelului Total teste 12 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 42,804 Tokenuri de ieșire 28,061 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.63s Timp de răspuns (total) 67.61s Timp de răspuns (maxim) 17.79s Răspuns greșit: 9 Sarcini agentice : 0.0 Trucuri anti-AI : 2.3 Programare : 4.5 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 2.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#430#430	Classify-1default	2.2	Scaledown	$0.008	4.58s
Vezi fișa modelului Total teste 12 Teste greșite 9 Fiabilitate 9.4 Rată de trecere pe încercare 18.8% Teste instabile 2 Tokenuri de intrare 195,645 Tokenuri de ieșire 164 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.58s Timp de răspuns (total) 55.01s Timp de răspuns (maxim) 13.35s Răspuns greșit: 8 Eroare API: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.0 Programare : 2.7 Combinat : 0.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#432#432	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
Vezi fișa modelului Total teste 12 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 49,176 Tokenuri de ieșire 69 Tokenuri de raționament 0 Timp de răspuns (mediu) 462ms Timp de răspuns (total) 5.55s Timp de răspuns (maxim) 661ms Răspuns greșit: 9 Sarcini agentice : 0.0 Trucuri anti-AI : 4.0 Programare : 2.2 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 8 Tokenuri de intrare 283,116 Tokenuri de ieșire 277,920 Tokenuri de raționament 665,124 Timp de răspuns (mediu) 74.52s Timp de răspuns (total) 1713.90s Timp de răspuns (maxim) 510.21s Răspuns greșit: 10 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.7 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 4.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#294#294	GPT-5.4 Mininone	5.7	OpenAI	$0.170	3.34s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 2 Tokenuri de intrare 172,438 Tokenuri de ieșire 8,828 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.34s Timp de răspuns (total) 76.84s Timp de răspuns (maxim) 41.98s Răspuns greșit: 14 Nu a urmat instrucțiunile: 3 Sarcini agentice : 5.0 Trucuri anti-AI : 3.1 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.7 Rată de trecere pe încercare 31.9% Teste instabile 2 Tokenuri de intrare 257,872 Tokenuri de ieșire 54,388 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.43s Timp de răspuns (total) 469.88s Timp de răspuns (maxim) 192.80s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.6 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 4 Tokenuri de intrare 218,886 Tokenuri de ieșire 135,768 Tokenuri de raționament 0 Timp de răspuns (mediu) 18.31s Timp de răspuns (total) 421.19s Timp de răspuns (maxim) 209.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.4 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 3 Tokenuri de intrare 241,357 Tokenuri de ieșire 64,021 Tokenuri de raționament 1 Timp de răspuns (mediu) 26.34s Timp de răspuns (total) 605.78s Timp de răspuns (maxim) 238.89s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 4.6 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 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