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: 2026-06-03 Modele evaluate: 161

161/161

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#66#66	Step 3.7 Flashhigh	7.2	Stepfun	$0.960	49.43s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 35,763 Tokenuri de ieșire 828,084 Tokenuri de raționament 0 Timp de răspuns (mediu) 49.43s Timp de răspuns (total) 988.58s Timp de răspuns (maxim) 192.75s Răspuns greșit: 6 Fără răspuns: 3 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.6	Google	$0.994	8.30s
Vezi fișa modelului Total teste 20 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 96.7% Teste instabile 1 Tokenuri de intrare 34,591 Tokenuri de ieșire 1,969 Tokenuri de raționament 102,679 Timp de răspuns (mediu) 8.30s Timp de răspuns (total) 165.92s Timp de răspuns (maxim) 34.82s Răspuns greșit: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 9.8 Cultură generală : 10.0
#11#11	Claude Opus 4.8medium	8.7	Anthropic	$1.006	9.34s
Vezi fișa modelului Total teste 20 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 1 Tokenuri de intrare 57,185 Tokenuri de ieșire 23,201 Tokenuri de raționament 5,901 Timp de răspuns (mediu) 9.34s Timp de răspuns (total) 186.84s Timp de răspuns (maxim) 38.03s Răspuns greșit: 3 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 9.8 Parsare și extragere de date : 7.1 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#4#4	Gemini 3.1 Pro Previewmedium	9.3	Google	$1.006	20.77s
Vezi fișa modelului Total teste 20 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 90.0% Teste instabile 0 Tokenuri de intrare 38,614 Tokenuri de ieșire 1,971 Tokenuri de raționament 75,384 Timp de răspuns (mediu) 20.77s Timp de răspuns (total) 269.96s Timp de răspuns (maxim) 88.68s Răspuns greșit: 2 Trucuri anti-AI : 10.0 Programare : 7.0 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 : 10.0
#27#27	GPT-5.4medium	7.9	OpenAI	$1.140	22.31s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 75.0% Teste instabile 4 Tokenuri de intrare 31,489 Tokenuri de ieșire 2,221 Tokenuri de raționament 68,486 Timp de răspuns (mediu) 22.31s Timp de răspuns (total) 446.17s Timp de răspuns (maxim) 100.41s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 8.2 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
#47#47	Claude Sonnet 4.6medium	7.6	Anthropic	$1.330	15.81s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 45,947 Tokenuri de ieșire 49,891 Tokenuri de raționament 29,565 Timp de răspuns (mediu) 15.81s Timp de răspuns (total) 189.71s Timp de răspuns (maxim) 46.35s Formatare suplimentară: 3 Răspuns greșit: 3 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 7.2 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
#64#64	Claude Opus 4.6medium	7.2	Anthropic	$1.896	25.45s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 2 Tokenuri de intrare 50,062 Tokenuri de ieșire 42,254 Tokenuri de raționament 23,554 Timp de răspuns (mediu) 25.45s Timp de răspuns (total) 330.91s Timp de răspuns (maxim) 83.40s Formatare suplimentară: 4 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.4 Programare : 7.2 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
#61#61	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
Vezi fișa modelului Total teste 18 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.5% Teste instabile 4 Tokenuri de intrare 29,134 Tokenuri de ieșire 1,984 Tokenuri de raționament 1,355,583 Timp de răspuns (mediu) 61.96s Timp de răspuns (total) 1115.31s Timp de răspuns (maxim) 149.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0
#13#13	Gemini 3.1 Flash Lite Previewhigh	8.6	Google	$2.310	68.14s
Vezi fișa modelului Total teste 16 Teste greșite 3 Fiabilitate N/D Rată de trecere pe încercare 81.3% Teste instabile 0 Tokenuri de intrare 28,980 Tokenuri de ieșire 1,283 Tokenuri de raționament 1,533,310 Timp de răspuns (mediu) 68.14s Timp de răspuns (total) 1090.28s Timp de răspuns (maxim) 280.52s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0
#10#10	GPT-5.5medium	8.7	OpenAI	$3.502	37.88s
Vezi fișa modelului Total teste 20 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 86.7% Teste instabile 3 Tokenuri de intrare 31,593 Tokenuri de ieșire 1,964 Tokenuri de raționament 109,481 Timp de răspuns (mediu) 37.88s Timp de răspuns (total) 757.66s Timp de răspuns (maxim) 332.10s Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 8.2 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 : 10.0 Apelare instrumente : 10.0 Cultură generală : 2.8
#86#86	Grok 4.20 Multi Agent Betamedium	6.6	X AI	$5.599 ↑	9.69s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 59.3% Teste instabile 5 Tokenuri de intrare 721,952 Tokenuri de ieșire 294,668 Tokenuri de raționament 305,374 Timp de răspuns (mediu) 9.69s Timp de răspuns (total) 155.07s Timp de răspuns (maxim) 35.28s Răspuns greșit: 4 Eroare API: 2 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.9 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 3.0

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă