AI BENCHY

Clasament Benchmark AI

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: 2026-07-02 Modele evaluate: 174

174/174

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#54#54	Gemini 3 Flash Previewlow	7.4	Google	$0.111	5.76s
Vezi fișa modelului Total teste 21 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 79.4% Teste instabile 2 Tokenuri de intrare 36,769 Tokenuri de ieșire 2,076 Tokenuri de raționament 28,518 Timp de răspuns (mediu) 5.76s Timp de răspuns (total) 120.93s Timp de răspuns (maxim) 14.72s Răspuns greșit: 5 Trucuri anti-AI : 10.0 Programare : 5.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#53#53	MiMo-V2.5-Promedium	7.4	Xiaomi	$0.106 ↓	26.13s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 4 Tokenuri de intrare 40,854 Tokenuri de ieșire 5,015 Tokenuri de raționament 97,742 Timp de răspuns (mediu) 26.13s Timp de răspuns (total) 548.65s Timp de răspuns (maxim) 130.77s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#52#52	Seed-2.0-Minimedium	7.4	Bytedance Seed	$0.044	80.22s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 6.7 Rată de trecere pe încercare 57.1% Teste instabile 2 Tokenuri de intrare 41,904 Tokenuri de ieșire 2,555 Tokenuri de raționament 95,974 Timp de răspuns (mediu) 80.22s Timp de răspuns (total) 1363.72s Timp de răspuns (maxim) 262.83s Timp expirat: 5 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.6 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#51#51	Claude Opus 4.7none	7.4	Anthropic	$0.505	3.02s
Vezi fișa modelului Total teste 19 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 76.2% 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 : 9.5 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
#50#50	DeepSeek V3.2medium	7.5	DeepSeek	$0.044 ↓	68.71s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 6 Tokenuri de intrare 38,333 Tokenuri de ieșire 7,186 Tokenuri de raționament 99,081 Timp de răspuns (mediu) 68.71s Timp de răspuns (total) 1442.81s Timp de răspuns (maxim) 376.10s Răspuns greșit: 5 Eroare API: 2 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.2 Programare : 6.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#49#49	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.4% Teste instabile 5 Tokenuri de intrare 42,362 Tokenuri de ieșire 2,995 Tokenuri de raționament 245,358 Timp de răspuns (mediu) 19.25s Timp de răspuns (total) 404.20s Timp de răspuns (maxim) 122.87s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#48#48	GPT-5.4 Nanomedium	7.5	OpenAI	$0.107	11.95s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.5% Teste instabile 4 Tokenuri de intrare 35,434 Tokenuri de ieșire 3,014 Tokenuri de raționament 76,520 Timp de răspuns (mediu) 11.95s Timp de răspuns (total) 250.98s Timp de răspuns (maxim) 94.06s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 6.1 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#47#47	GPT-5.3 Chatnone	7.5	OpenAI	$0.433	6.34s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 5 Tokenuri de intrare 34,209 Tokenuri de ieșire 26,617 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.34s Timp de răspuns (total) 133.13s Timp de răspuns (maxim) 18.33s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.7 Programare : 5.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#46#46	Mercury 2medium	7.5	Inception	$0.058	2.24s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 54.0% Teste instabile 3 Tokenuri de intrare 35,116 Tokenuri de ieșire 4,048 Tokenuri de raționament 61,219 Timp de răspuns (mediu) 2.24s Timp de răspuns (total) 44.72s Timp de răspuns (maxim) 14.63s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 6.9 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#45#45	Kimi K2.5medium	7.5	Moonshot AI	$0.348 ↓	98.43s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 8 Tokenuri de intrare 34,312 Tokenuri de ieșire 48,379 Tokenuri de raționament 157,747 Timp de răspuns (mediu) 98.43s Timp de răspuns (total) 1378.03s Timp de răspuns (maxim) 281.00s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#44#44	Grok Build 0.1medium	7.6	X AI	$0.927	49.90s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 0 Tokenuri de intrare 44,418 Tokenuri de ieșire 2,782 Tokenuri de raționament 438,018 Timp de răspuns (mediu) 49.90s Timp de răspuns (total) 1047.92s Timp de răspuns (maxim) 252.69s Răspuns greșit: 5 Formatare suplimentară: 3 Trucuri anti-AI : 8.3 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#43#43	DeepSeek V4 Prohigh	7.6	DeepSeek	$0.157	77.20s
Vezi fișa modelului Total teste 21 Teste greșite 12 Fiabilitate 9.3 Rată de trecere pe încercare 66.7% Teste instabile 8 Tokenuri de intrare 38,726 Tokenuri de ieșire 6,334 Tokenuri de raționament 159,151 Timp de răspuns (mediu) 77.20s Timp de răspuns (total) 1621.17s Timp de răspuns (maxim) 416.76s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 5.7 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.8 Rezolvare de puzzle-uri : 6.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#42#42	MiniMax M3medium	7.6	Minimax	$0.131	68.17s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 9.6 Rată de trecere pe încercare 65.1% Teste instabile 5 Tokenuri de intrare 46,546 Tokenuri de ieșire 49,036 Tokenuri de raționament 92,543 Timp de răspuns (mediu) 68.17s Timp de răspuns (total) 1363.38s Timp de răspuns (maxim) 431.03s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 5.5 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.5 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#41#41	Step 3.7 Flashlow	7.7	Stepfun	$0.341	15.74s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 4 Tokenuri de intrare 40,101 Tokenuri de ieșire 289,325 Tokenuri de raționament 0 Timp de răspuns (mediu) 15.74s Timp de răspuns (total) 330.63s Timp de răspuns (maxim) 124.75s Răspuns greșit: 8 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 10.0 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
#40#40	Claude Opus 4.6medium	7.7	Anthropic	$2.053	25.89s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 3 Tokenuri de intrare 53,227 Tokenuri de ieșire 47,446 Tokenuri de raționament 24,000 Timp de răspuns (mediu) 25.89s Timp de răspuns (total) 362.49s Timp de răspuns (maxim) 83.40s Formatare suplimentară: 5 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.4 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#39#39	Grok 4.3medium	7.7	X AI	$0.614	47.51s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.4% Teste instabile 4 Tokenuri de intrare 44,472 Tokenuri de ieșire 1,981 Tokenuri de raționament 221,382 Timp de răspuns (mediu) 47.51s Timp de răspuns (total) 997.68s Timp de răspuns (maxim) 216.69s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#38#38	Claude Opus 4.8low	7.7	Anthropic	$1.270	10.83s
Vezi fișa modelului Total teste 21 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 79.4% Teste instabile 3 Tokenuri de intrare 60,946 Tokenuri de ieșire 31,771 Tokenuri de raționament 6,831 Timp de răspuns (mediu) 10.83s Timp de răspuns (total) 227.39s Timp de răspuns (maxim) 127.97s Răspuns greșit: 4 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 9.8 Parsare și extragere de date : 6.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#37#37	Qwen3.5-122B-A10Bmedium	7.7	Qwen	$0.588 ↓	42.49s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.0% Teste instabile 3 Tokenuri de intrare 41,832 Tokenuri de ieșire 26,187 Tokenuri de raționament 251,028 Timp de răspuns (mediu) 42.49s Timp de răspuns (total) 892.30s Timp de răspuns (maxim) 168.16s Răspuns greșit: 5 Timp expirat: 2 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#36#36	Kimi K2.6medium	7.8	Moonshot AI	$0.888 ↓	71.67s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 3 Tokenuri de intrare 29,450 Tokenuri de ieșire 102,923 Tokenuri de raționament 254,094 Timp de răspuns (mediu) 71.67s Timp de răspuns (total) 1433.36s Timp de răspuns (maxim) 406.78s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 7.0 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#35#35	Gemini 3.1 Flash Litemedium	7.8	Google	$0.071	3.23s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 2 Tokenuri de intrare 36,808 Tokenuri de ieșire 2,254 Tokenuri de raționament 38,300 Timp de răspuns (mediu) 3.23s Timp de răspuns (total) 67.80s Timp de răspuns (maxim) 10.87s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#34#34	Qwen3.5 Plus 2026-04-20medium	7.8	Qwen	$0.317 ↓	46.36s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 42,097 Tokenuri de ieșire 2,280 Tokenuri de raționament 166,613 Timp de răspuns (mediu) 46.36s Timp de răspuns (total) 973.57s Timp de răspuns (maxim) 189.38s Răspuns greșit: 8 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#33#33	Gemini 3.1 Flash Lite Previewmedium	7.8	Google	$0.068	3.96s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 0 Tokenuri de intrare 37,786 Tokenuri de ieșire 2,210 Tokenuri de raționament 36,744 Timp de răspuns (mediu) 3.96s Timp de răspuns (total) 83.06s Timp de răspuns (maxim) 14.93s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#32#32	Claude Sonnet 4.6medium	7.8	Anthropic	$1.418	17.06s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 2 Tokenuri de intrare 49,112 Tokenuri de ieșire 54,703 Tokenuri de raționament 29,970 Timp de răspuns (mediu) 17.06s Timp de răspuns (total) 221.83s Timp de răspuns (maxim) 46.35s 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
#31#31	Qwen3.6 Plusmedium	7.8	Qwen	$0.294 ↑	30.70s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 69.8% Teste instabile 2 Tokenuri de intrare 41,565 Tokenuri de ieșire 1,853 Tokenuri de raționament 141,973 Timp de răspuns (mediu) 30.70s Timp de răspuns (total) 613.99s Timp de răspuns (maxim) 201.68s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#30#30	Claude Sonnet 5medium	7.9	Anthropic	$0.550	9.94s
Vezi fișa modelului Total teste 21 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 79.4% Teste instabile 3 Tokenuri de intrare 67,416 Tokenuri de ieșire 34,012 Tokenuri de raționament 7,673 Timp de răspuns (mediu) 9.94s Timp de răspuns (total) 208.71s Timp de răspuns (maxim) 56.94s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 9.0 Combinat : 4.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#29#29	Qwen3.5-27Bmedium	7.9	Qwen	$0.536 ↓	68.39s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.0% Teste instabile 4 Tokenuri de intrare 42,164 Tokenuri de ieșire 8,534 Tokenuri de raționament 329,289 Timp de răspuns (mediu) 68.39s Timp de răspuns (total) 1436.24s Timp de răspuns (maxim) 234.36s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Timp expirat: 1 Trucuri anti-AI : 8.7 Programare : 6.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#28#28	Qwen3.5 Plus 2026-02-15medium	8.0	Qwen	$0.310 ↓	73.79s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.0% Teste instabile 3 Tokenuri de intrare 40,918 Tokenuri de ieșire 2,159 Tokenuri de raționament 189,604 Timp de răspuns (mediu) 73.79s Timp de răspuns (total) 1033.07s Timp de răspuns (maxim) 266.69s Răspuns greșit: 4 Timp expirat: 2 Eroare API: 1 Trucuri anti-AI : 8.2 Programare : 6.6 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 : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#27#27	GPT-5.4 Minimedium	8.0	OpenAI	$0.526	22.34s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 73.0% Teste instabile 5 Tokenuri de intrare 34,116 Tokenuri de ieșire 2,181 Tokenuri de raționament 108,937 Timp de răspuns (mediu) 22.34s Timp de răspuns (total) 469.20s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 8.6 Programare : 8.4 Combinat : 10.0 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
#26#26	Nemotron 3 Ultra 550b A55bmedium	8.1	NVIDIA	$0.158 ↕	15.05s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 9.7 Rată de trecere pe încercare 69.8% Teste instabile 3 Tokenuri de intrare 46,813 Tokenuri de ieșire 18,002 Tokenuri de raționament 53,091 Timp de răspuns (mediu) 15.05s Timp de răspuns (total) 316.09s Timp de răspuns (maxim) 43.93s Răspuns greșit: 7 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#25#25	Qwen3.7 Plusmedium	8.2	Qwen	$0.177 ↓	38.95s
Vezi fișa modelului Total teste 21 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 77.8% Teste instabile 2 Tokenuri de intrare 40,939 Tokenuri de ieșire 2,125 Tokenuri de raționament 125,754 Timp de răspuns (mediu) 38.95s Timp de răspuns (total) 817.85s Timp de răspuns (maxim) 178.04s Răspuns greșit: 5 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 2 3 4 5 6

→

Comparație rapidă

Gemini 3.5 FlashhighvsGemini 3 Flash Previewmedium Gemini 3.5 FlashhighvsQwen3.7 Maxmedium Gemini 3.5 FlashhighvsGPT-5.5low Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashhighvsClaude Fable 5medium Gemini 3.5 FlashhighvsGemini 3.1 Pro Previewmedium Gemini 3.5 FlashhighvsNemotron 3 Ultra 550b A55bmediumDisponibil gratuit Gemini 3.5 FlashhighvsNorth Mini CodemediumDisponibil gratuit Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsClaude Fable 5medium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă