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: 2026-07-18 Modele evaluate: 206

206/206

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#61#61	KAT-Coder-Pro V2.5low	7.4	Kwaipilot	$0.387	19.47s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 8 Tokenuri de intrare 87,673 Tokenuri de ieșire 7,166 Tokenuri de raționament 101,474 Timp de răspuns (mediu) 19.47s Timp de răspuns (total) 428.31s Timp de răspuns (maxim) 209.15s Răspuns greșit: 10 Eroare API: 1 Trucuri anti-AI : 6.9 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Kimi K2.6none	5.8	Moonshot AI	$0.233 ↑	19.58s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 2 Tokenuri de intrare 116,970 Tokenuri de ieșire 30,253 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.58s Timp de răspuns (total) 430.85s Timp de răspuns (maxim) 238.89s Răspuns greșit: 11 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 4.6 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#109#109	MiMo-V2-Flashmedium	6.3	Xiaomi	$0.043 ↑	20.11s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 62.1% Teste instabile 3 Tokenuri de intrare 40,111 Tokenuri de ieșire 12,476 Tokenuri de raționament 125,039 Timp de răspuns (mediu) 20.11s Timp de răspuns (total) 301.59s 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 : 6.0 Combinat : 4.9 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
#66#66	Step 3.7 Flashlow	7.3	Stepfun	$0.454	20.68s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 5 Tokenuri de intrare 103,833 Tokenuri de ieșire 376,581 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.68s Timp de răspuns (total) 455.01s Timp de răspuns (maxim) 124.75s Răspuns greșit: 8 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 7.3 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 3.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#68#68	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.482	20.83s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 6 Tokenuri de intrare 106,076 Tokenuri de ieșire 9,071 Tokenuri de raționament 127,093 Timp de răspuns (mediu) 20.83s Timp de răspuns (total) 458.31s Timp de răspuns (maxim) 199.97s Răspuns greșit: 10 Apel de instrument invalid: 1 Trucuri anti-AI : 7.0 Programare : 6.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#25#25	Gemini 2.5 Flashmedium	8.2	Google	$0.643	21.18s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 1 Tokenuri de intrare 132,498 Tokenuri de ieșire 12,739 Tokenuri de raționament 228,464 Timp de răspuns (mediu) 21.18s Timp de răspuns (total) 465.89s Timp de răspuns (maxim) 140.50s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.4 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 90.9% Teste instabile 0 Tokenuri de intrare 92,287 Tokenuri de ieșire 5,232 Tokenuri de raționament 92,726 Timp de răspuns (mediu) 21.47s Timp de răspuns (total) 322.08s Timp de răspuns (maxim) 88.68s Răspuns greșit: 2 Trucuri anti-AI : 10.0 Programare : 7.9 Combinat : 9.8 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 : 10.0
#202#202	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 9,081 Tokenuri de ieșire 51,664 Tokenuri de raționament 0 Timp de răspuns (mediu) 21.61s Timp de răspuns (total) 345.79s Timp de răspuns (maxim) 113.71s Răspuns greșit: 8 Eroare API: 3 Nu a urmat instrucțiunile: 2 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
#117#117	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	21.91s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 5 Tokenuri de intrare 108,747 Tokenuri de ieșire 29,772 Tokenuri de raționament 68,044 Timp de răspuns (mediu) 21.91s Timp de răspuns (total) 328.70s Timp de răspuns (maxim) 68.16s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.7 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 6.4 Specific domeniului : 2.9 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.8 Cultură generală : 3.0
#106#106	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 9.6 Rată de trecere pe încercare 69.7% Teste instabile 5 Tokenuri de intrare 40,961 Tokenuri de ieșire 2,518 Tokenuri de raționament 81,801 Timp de răspuns (mediu) 22.16s Timp de răspuns (total) 443.22s Timp de răspuns (maxim) 136.29s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 2.3 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#21#21	GPT-5.2medium	8.4	OpenAI	$0.951	22.62s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 4 Tokenuri de intrare 105,004 Tokenuri de ieșire 9,914 Tokenuri de raționament 44,868 Timp de răspuns (mediu) 22.62s Timp de răspuns (total) 339.28s Timp de răspuns (maxim) 102.93s Nu a urmat instrucțiunile: 3 Răspuns greșit: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#49#49	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 4 Tokenuri de intrare 35,593 Tokenuri de ieșire 12,245 Tokenuri de raționament 62,277 Timp de răspuns (mediu) 23.00s Timp de răspuns (total) 482.97s Timp de răspuns (maxim) 194.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#91#91	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 44,615 Tokenuri de ieșire 2,347 Tokenuri de raționament 98,415 Timp de răspuns (mediu) 23.08s Timp de răspuns (total) 484.63s Timp de răspuns (maxim) 95.88s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.2 Programare : 6.0 Combinat : 3.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 7.0 Cultură generală : 3.0
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 77.3% Teste instabile 4 Tokenuri de intrare 81,127 Tokenuri de ieșire 6,155 Tokenuri de raționament 82,515 Timp de răspuns (mediu) 23.10s Timp de răspuns (total) 508.26s Timp de răspuns (maxim) 100.41s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 8.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#38#38	GLM 5.2medium	7.8	Z.ai	$0.068 ↓	23.28s
Vezi fișa modelului Total teste 21 Teste greșite 6 Fiabilitate 9.5 Rată de trecere pe încercare 80.3% Teste instabile 4 Tokenuri de intrare 37,199 Tokenuri de ieșire 12,261 Tokenuri de raționament 49,500 Timp de răspuns (mediu) 23.28s Timp de răspuns (total) 488.94s Timp de răspuns (maxim) 101.36s Răspuns greșit: 3 Fără răspuns: 2 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#181#181	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% 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 Trucuri anti-AI : 8.7 Programare : 7.8 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
#80#80	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.467	24.04s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 7 Tokenuri de intrare 87,907 Tokenuri de ieșire 7,213 Tokenuri de raționament 128,251 Timp de răspuns (mediu) 24.04s Timp de răspuns (total) 528.92s Timp de răspuns (maxim) 257.00s Răspuns greșit: 9 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.2 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#149#149	Hy3 previewlow	5.5	Tencent	$0.015 ↕	24.56s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% 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 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
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 2 Tokenuri de intrare 142,567 Tokenuri de ieșire 7,905 Tokenuri de raționament 269,225 Timp de răspuns (mediu) 24.97s Timp de răspuns (total) 549.31s Timp de răspuns (maxim) 165.38s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#121#121	Qwen3.5-Flashnone	6.1	Qwen	$0.073 ↓	25.28s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 2 Tokenuri de intrare 282,347 Tokenuri de ieșire 209,201 Tokenuri de raționament 0 Timp de răspuns (mediu) 25.28s Timp de răspuns (total) 556.24s Timp de răspuns (maxim) 480.96s Răspuns greșit: 13 Apel de instrument invalid: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#90#90	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.476	25.56s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 7 Tokenuri de intrare 98,499 Tokenuri de ieșire 135,861 Tokenuri de raționament 0 Timp de răspuns (mediu) 25.56s Timp de răspuns (total) 562.43s Timp de răspuns (maxim) 335.41s Răspuns greșit: 10 Apel de instrument invalid: 1 Trucuri anti-AI : 8.7 Programare : 6.1 Combinat : 4.1 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 106,292 Tokenuri de ieșire 80,748 Tokenuri de raționament 35,117 Timp de răspuns (mediu) 25.91s Timp de răspuns (total) 362.78s Timp de răspuns (maxim) 140.96s Răspuns greșit: 4 Formatare suplimentară: 3 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 5.7 Combinat : 10.0 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
#56#56	GPT-5.4 Minimedium	7.5	OpenAI	$0.756	25.94s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 6 Tokenuri de intrare 97,155 Tokenuri de ieșire 6,211 Tokenuri de raționament 145,544 Timp de răspuns (mediu) 25.94s Timp de răspuns (total) 570.66s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 8.6 Programare : 8.4 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 4.7 Cultură generală : 3.0
#29#29	Step 3.7 Flashmedium	8.0	Stepfun	$0.515	26.37s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 9.9 Rată de trecere pe încercare 72.7% Teste instabile 3 Tokenuri de intrare 114,062 Tokenuri de ieșire 427,572 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.37s Timp de răspuns (total) 580.25s Timp de răspuns (maxim) 152.83s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#26#26	GPT-5 Minimedium	8.1	OpenAI	$0.237	27.63s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 3 Tokenuri de intrare 98,374 Tokenuri de ieșire 14,434 Tokenuri de raționament 91,498 Timp de răspuns (mediu) 27.63s Timp de răspuns (total) 607.92s Timp de răspuns (maxim) 111.48s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 7.1 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#198#198	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
Vezi fișa modelului Total teste 19 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 11,793 Tokenuri de ieșire 267,275 Tokenuri de raționament 0 Timp de răspuns (mediu) 28.69s Timp de răspuns (total) 459.00s Timp de răspuns (maxim) 138.35s Răspuns greșit: 7 Eroare API: 3 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#74#74	Grok 4.20medium	7.1	X AI	$0.777 ↓	29.47s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 102,791 Tokenuri de ieșire 5,363 Tokenuri de raționament 253,977 Timp de răspuns (mediu) 29.47s Timp de răspuns (total) 648.35s Timp de răspuns (maxim) 199.66s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.2 Programare : 6.3 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.9 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#167#167	North Mini Codenone	5.1	Cohere	$0.000	29.95s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.7 Rată de trecere pe încercare 18.2% Teste instabile 0 Tokenuri de intrare 130,492 Tokenuri de ieșire 26,786 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.95s Timp de răspuns (total) 658.82s Timp de răspuns (maxim) 159.85s Răspuns greșit: 12 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 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
#27#27	Muse Spark 1.1high	8.1	Meta	$1.694	31.49s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 6 Tokenuri de intrare 129,423 Tokenuri de ieșire 8,077 Tokenuri de raționament 352,421 Timp de răspuns (mediu) 31.49s Timp de răspuns (total) 661.28s Timp de răspuns (maxim) 196.03s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Fără răspuns: 1 Trucuri anti-AI : 7.5 Programare : 10.0 Combinat : 5.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 9.6 Cultură generală : 3.0
#98#98	MiMo-V2.5medium	6.5	Xiaomi	$0.082 ↓	32.20s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 6 Tokenuri de intrare 105,447 Tokenuri de ieșire 7,120 Tokenuri de raționament 230,682 Timp de răspuns (mediu) 32.20s Timp de răspuns (total) 708.46s Timp de răspuns (maxim) 162.44s Răspuns greșit: 5 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 8.7 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

←

1 2 3 4 5 6 7

→

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 UltramediumDisponibil gratuit Gemini 3 Flash PreviewmediumvsNorth Mini CodemediumDisponibil gratuit Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

Clasament AI Benchy

Filtrează modelele

Comparație rapidă