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: 2026-08-15 Modele evaluate: 287

Modele recomandate

GPT-5.6 Sol high Inteligent Rată de trecere pe încercare 89.4% Teste corecte 18 / 22 Scor 9.4/10 GPT-5.6 Luna medium Rapid Timp de răspuns (mediu) 7.43s Total tokenuri de ieșire 44,525 Scor 7.4/10 DeepSeek V4 Flash 0731 high Accesibil Preț de intrare $0.140 / 1M Preț de ieșire $0.280 / 1M Scor 8.0/10

287/287

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#167#167	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.85s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 3 Tokenuri de intrare 119,076 Tokenuri de ieșire 11,118 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.85s Timp de răspuns (total) 40.74s Timp de răspuns (maxim) 12.97s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#166#166	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 4 Tokenuri de intrare 161,032 Tokenuri de ieșire 22,508 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.05s Timp de răspuns (total) 132.99s Timp de răspuns (maxim) 33.39s Răspuns greșit: 8 Formatare suplimentară: 4 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 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
#165#165	GPT-5.6 Lunalow	6.2	OpenAI	$0.026 ↓	5.20s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 54.5% Teste instabile 5 Tokenuri de intrare 96,355 Tokenuri de ieșire 8,213 Tokenuri de raționament 18,073 Timp de răspuns (mediu) 5.20s Timp de răspuns (total) 114.46s Timp de răspuns (maxim) 19.44s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#164#164	Gemma 4 31Bmedium	6.2	Google	$0.101 ↓	78.59s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 3 Tokenuri de intrare 94,969 Tokenuri de ieșire 34,399 Tokenuri de raționament 233,022 Timp de răspuns (mediu) 78.59s Timp de răspuns (total) 1571.84s Timp de răspuns (maxim) 437.40s Răspuns greșit: 3 Eroare API: 2 Timp expirat: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 4.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#163#163	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 3 Tokenuri de intrare 142,206 Tokenuri de ieșire 14,744 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.37s Timp de răspuns (total) 96.20s Timp de răspuns (maxim) 44.58s Răspuns greșit: 13 Fără răspuns: 1 Trucuri anti-AI : 3.0 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#162#162	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
#161#161	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
#160#160	Ring-2.6-1Tmedium	6.4	Inclusionai	$0.102 ↑	68.80s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 3 Tokenuri de intrare 113,613 Tokenuri de ieșire 122,706 Tokenuri de raționament 42,325 Timp de răspuns (mediu) 68.80s Timp de răspuns (total) 1375.99s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 7.3 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#159#159	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 9.8 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 132,044 Tokenuri de ieșire 92,135 Tokenuri de raționament 207,321 Timp de răspuns (mediu) 13.70s Timp de răspuns (total) 287.75s Timp de răspuns (maxim) 75.27s Răspuns greșit: 7 Apel de instrument invalid: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 2.9 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#158#158	MiMo-V2.5medium	6.4	Xiaomi	$0.104 ↓	46.28s
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 105,456 Tokenuri de ieșire 7,108 Tokenuri de raționament 319,940 Timp de răspuns (mediu) 46.28s Timp de răspuns (total) 1018.12s Timp de răspuns (maxim) 316.27s Răspuns greșit: 5 Formatare suplimentară: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 8.7 Parsare și extragere de date : 2.7 Specific domeniului : 3.6 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#157#157	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 2 Tokenuri de intrare 108,752 Tokenuri de ieșire 9,375 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.17s Timp de răspuns (total) 113.83s Timp de răspuns (maxim) 48.38s Răspuns greșit: 13 Formatare suplimentară: 1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 4.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#156#156	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 6 Tokenuri de intrare 127,621 Tokenuri de ieșire 141,858 Tokenuri de raționament 590,204 Timp de răspuns (mediu) 67.81s Timp de răspuns (total) 1491.80s Timp de răspuns (maxim) 480.52s Răspuns greșit: 8 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.7 Programare : 5.8 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 3.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#155#155	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 57.6% Teste instabile 5 Tokenuri de intrare 113,889 Tokenuri de ieșire 110,550 Tokenuri de raționament 496,487 Timp de răspuns (mediu) 61.81s Timp de răspuns (total) 1359.72s Timp de răspuns (maxim) 417.36s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#154#154	Qwen3.6 Max Previewnone	6.4	Qwen	$0.228 ↓	7.82s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 56.1% Teste instabile 2 Tokenuri de intrare 106,348 Tokenuri de ieșire 19,257 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.82s Timp de răspuns (total) 172.04s Timp de răspuns (maxim) 102.62s Răspuns greșit: 11 Trucuri anti-AI : 5.2 Programare : 3.8 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#153#153	Gemini 3.1 Flash Lite Previewnone	6.4	Google	$0.052	1.56s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 57.6% Teste instabile 1 Tokenuri de intrare 120,955 Tokenuri de ieșire 14,161 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.56s Timp de răspuns (total) 34.32s Timp de răspuns (maxim) 9.27s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 7.5 Programare : 5.5 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
#152#152	Hy3 previewmedium	6.5	Tencent	$0.049 ↕	16.28s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 0 Tokenuri de intrare 27,030 Tokenuri de ieșire 73,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.28s Timp de răspuns (total) 293.12s Timp de răspuns (maxim) 46.04s Eroare API: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#151#151	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 2 Tokenuri de intrare 118,998 Tokenuri de ieșire 30,750 Tokenuri de raționament 491,730 Timp de răspuns (mediu) 48.18s Timp de răspuns (total) 1059.93s Timp de răspuns (maxim) 422.72s Răspuns greșit: 10 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#150#150	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 7 Tokenuri de intrare 106,176 Tokenuri de ieșire 33,013 Tokenuri de raționament 239,560 Timp de răspuns (mediu) 106.06s Timp de răspuns (total) 2333.36s Timp de răspuns (maxim) 1085.11s Răspuns greșit: 5 Fără răspuns: 3 Apel de instrument invalid: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.3 Programare : 7.7 Combinat : 6.7 Parsare și extragere de date : 3.5 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#149#149	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% Teste instabile 2 Tokenuri de intrare 102,655 Tokenuri de ieșire 29,370 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.86s Timp de răspuns (total) 157.77s Timp de răspuns (maxim) 123.00s Răspuns greșit: 11 Trucuri anti-AI : 4.8 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#148#148	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.750 ↑	58.49s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 57.6% Teste instabile 2 Tokenuri de intrare 85,148 Tokenuri de ieșire 61,736 Tokenuri de raționament 681,556 Timp de răspuns (mediu) 58.49s Timp de răspuns (total) 1169.83s Timp de răspuns (maxim) 817.57s Răspuns greșit: 5 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#147#147	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 2 Tokenuri de intrare 94,233 Tokenuri de ieșire 7,759 Tokenuri de raționament 390,132 Timp de răspuns (mediu) 16.25s Timp de răspuns (total) 357.39s Timp de răspuns (maxim) 318.02s Răspuns greșit: 8 Apel de instrument invalid: 1 Trucuri anti-AI : 7.3 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#146#146	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% Teste instabile 3 Tokenuri de intrare 100,255 Tokenuri de ieșire 6,422 Tokenuri de raționament 49,847 Timp de răspuns (mediu) 6.30s Timp de răspuns (total) 138.60s Timp de răspuns (maxim) 17.26s Răspuns greșit: 6 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 3.0 Cultură generală : 3.0
#145#145	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 0 Tokenuri de intrare 110,196 Tokenuri de ieșire 14,717 Tokenuri de raționament 397,462 Timp de răspuns (mediu) 16.67s Timp de răspuns (total) 366.69s Timp de răspuns (maxim) 309.35s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#144#144	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 2 Tokenuri de intrare 102,325 Tokenuri de ieșire 24,323 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.77s Timp de răspuns (total) 105.00s Timp de răspuns (maxim) 69.46s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 5.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#143#143	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
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 139,165 Tokenuri de ieșire 12,899 Tokenuri de raționament 25,511 Timp de răspuns (mediu) 2.56s Timp de răspuns (total) 56.32s Timp de răspuns (maxim) 15.14s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 9.0 Programare : 4.3 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 4.7
#142#142	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
Vezi fișa modelului Total teste 19 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 0 Tokenuri de intrare 69,576 Tokenuri de ieșire 6,265 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.02s Timp de răspuns (total) 57.44s Timp de răspuns (maxim) 18.27s Răspuns greșit: 3 Trucuri anti-AI : 8.3 Programare : 3.3 Combinat : 4.8 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 : 3.0
#141#141	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 4 Tokenuri de intrare 93,411 Tokenuri de ieșire 30,470 Tokenuri de raționament 356,172 Timp de răspuns (mediu) 153.29s Timp de răspuns (total) 3372.36s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 8.9 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	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
#139#139	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 1 Tokenuri de intrare 100,762 Tokenuri de ieșire 16,454 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.65s Timp de răspuns (total) 58.21s Timp de răspuns (maxim) 25.26s Răspuns greșit: 6 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 9.9 Rată de trecere pe încercare 54.6% Teste instabile 4 Tokenuri de intrare 90,870 Tokenuri de ieșire 5,676 Tokenuri de raționament 314,918 Timp de răspuns (mediu) 113.61s Timp de răspuns (total) 2499.46s Timp de răspuns (maxim) 560.39s Răspuns greșit: 7 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0

Comparație rapidă

Gemini 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

Clasament AI Benchy

Modele recomandate

Filtrează modelele

Comparație rapidă