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)
#313#313	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.0 Rată de trecere pe încercare 37.7% Teste instabile 6 Tokenuri de intrare 319,668 Tokenuri de ieșire 32,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.51s Timp de răspuns (total) 402.66s Timp de răspuns (maxim) 132.84s Răspuns greșit: 12 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.0 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#318#318	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
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 276,697 Tokenuri de ieșire 75,728 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.20s Timp de răspuns (total) 142.63s Timp de răspuns (maxim) 62.57s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.7 Combinat : 3.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#322#322	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 3 Tokenuri de intrare 230,744 Tokenuri de ieșire 8,000 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.78s Timp de răspuns (total) 86.83s Timp de răspuns (maxim) 53.77s Răspuns greșit: 15 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#329#329	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 0 Tokenuri de intrare 123,993 Tokenuri de ieșire 12,777 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.40s Timp de răspuns (total) 74.77s Timp de răspuns (maxim) 17.51s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 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
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.8 Rată de trecere pe încercare 37.7% Teste instabile 5 Tokenuri de intrare 326,083 Tokenuri de ieșire 7,224 Tokenuri de raționament 33,078 Timp de răspuns (mediu) 3.34s Timp de răspuns (total) 76.80s Timp de răspuns (maxim) 47.06s Răspuns greșit: 14 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.4 Respectarea instrucțiunilor : 2.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#341#341	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.9 Rată de trecere pe încercare 44.9% Teste instabile 8 Tokenuri de intrare 235,438 Tokenuri de ieșire 8,136 Tokenuri de raționament 28,734 Timp de răspuns (mediu) 4.92s Timp de răspuns (total) 113.24s Timp de răspuns (maxim) 84.47s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.6 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 4.1 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 2.8 Cultură generală : 3.0
#364#364	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 32,853 Tokenuri de raționament 25,013 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
#373#373	Ling 2.6 Flashdefault	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
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% Teste instabile 0 Tokenuri de intrare 33,675 Tokenuri de ieșire 2,826 Tokenuri de raționament 0 Timp de răspuns (mediu) 806ms Timp de răspuns (total) 12.09s Timp de răspuns (maxim) 2.01s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.0 Programare : 0.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#387#387	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
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 27.5% Teste instabile 1 Tokenuri de intrare 33,744 Tokenuri de ieșire 2,596 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.27s Timp de răspuns (total) 22.82s Timp de răspuns (maxim) 3.70s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.6 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#439#439	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
Vezi fișa modelului Total teste 7 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 14.5% Teste instabile 3 Tokenuri de intrare 47,586 Tokenuri de ieșire 51 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.01s Timp de răspuns (total) 42.05s Timp de răspuns (maxim) 13.10s Răspuns greșit: 5 Sarcini agentice : 0.0 Trucuri anti-AI : 0.8 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 3.7 Specific domeniului : 4.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#386#386	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 16,869 Tokenuri de raționament 53,081 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
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 2 Tokenuri de intrare 405,921 Tokenuri de ieșire 97,112 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.79s Timp de răspuns (total) 340.25s Timp de răspuns (maxim) 212.63s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 4.8 Programare : 3.7 Combinat : 5.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 1 Tokenuri de intrare 236,599 Tokenuri de ieșire 11,561 Tokenuri de raționament 4,975 Timp de răspuns (mediu) 5.30s Timp de răspuns (total) 121.91s Timp de răspuns (maxim) 48.02s Răspuns greșit: 13 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 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
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 388,929 Tokenuri de ieșire 57,714 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.63s Timp de răspuns (total) 175.42s Timp de răspuns (maxim) 93.47s Răspuns greșit: 13 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 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
#284#284	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 5 Tokenuri de intrare 393,560 Tokenuri de ieșire 30,466 Tokenuri de raționament 311 Timp de răspuns (mediu) 8.60s Timp de răspuns (total) 197.73s Timp de răspuns (maxim) 64.73s Răspuns greșit: 9 Formatare suplimentară: 4 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 5.3 Programare : 4.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 3 Tokenuri de intrare 410,787 Tokenuri de ieșire 117,742 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.70s Timp de răspuns (total) 338.13s Timp de răspuns (maxim) 186.24s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 3.0 Programare : 5.5 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 : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.7 Rată de trecere pe încercare 36.2% Teste instabile 3 Tokenuri de intrare 337,756 Tokenuri de ieșire 292,779 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.63s Timp de răspuns (total) 382.53s Timp de răspuns (maxim) 247.66s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 3.7 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 219,404 Tokenuri de ieșire 9,372 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.89s Timp de răspuns (total) 89.48s Timp de răspuns (maxim) 43.73s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.2 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#301#301	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 1 Tokenuri de intrare 305,664 Tokenuri de ieșire 13,249 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.14s Timp de răspuns (total) 187.23s Timp de răspuns (maxim) 69.17s Răspuns greșit: 14 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#310#310	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.9 Rată de trecere pe încercare 40.6% Teste instabile 5 Tokenuri de intrare 222,357 Tokenuri de ieșire 6,855 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.48s Timp de răspuns (total) 470.96s Timp de răspuns (maxim) 98.62s Răspuns greșit: 13 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#323#323	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.2 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 332,917 Tokenuri de ieșire 18,989 Tokenuri de raționament 42,362 Timp de răspuns (mediu) 58.20s Timp de răspuns (total) 1338.65s Timp de răspuns (maxim) 566.80s Răspuns greșit: 11 Timp expirat: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#331#331	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.8 Rată de trecere pe încercare 40.6% Teste instabile 5 Tokenuri de intrare 50,423 Tokenuri de ieșire 4,144 Tokenuri de raționament 110,510 Timp de răspuns (mediu) 15.23s Timp de răspuns (total) 350.26s Timp de răspuns (maxim) 118.35s Răspuns greșit: 9 Eroare API: 4 Formatare suplimentară: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 6.9 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#345#345	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.9 Rată de trecere pe încercare 42.0% Teste instabile 6 Tokenuri de intrare 61,094 Tokenuri de ieșire 6,532 Tokenuri de raționament 53,882 Timp de răspuns (mediu) 10.21s Timp de răspuns (total) 234.86s Timp de răspuns (maxim) 86.23s Răspuns greșit: 7 Formatare suplimentară: 4 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 7.3 Programare : 3.5 Combinat : 6.4 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 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