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)
#24#24	Qwen3.5-27Bmedium	7.9	Qwen	$0.488 ↓	60.09s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 3 Tokenuri de intrare 39,329 Tokenuri de ieșire 2,569 Tokenuri de raționament 304,894 Timp de răspuns (mediu) 60.09s Timp de răspuns (total) 1201.89s Timp de răspuns (maxim) 177.36s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Timp expirat: 1 Trucuri anti-AI : 8.7 Programare : 7.0 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
#74#74	Ring-2.6-1Tmedium	7.0	Inclusionai	$0.033	61.29s
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 35,892 Tokenuri de ieșire 21,752 Tokenuri de raționament 42,754 Timp de răspuns (mediu) 61.29s Timp de răspuns (total) 1164.50s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.5 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.5 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 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
#45#45	Qwen3.5-Flashmedium	7.6	Qwen	$0.074 ↓	63.04s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.0% Teste instabile 5 Tokenuri de intrare 37,036 Tokenuri de ieșire 2,074 Tokenuri de raționament 272,063 Timp de răspuns (mediu) 63.04s Timp de răspuns (total) 1197.71s Timp de răspuns (maxim) 234.29s Timp expirat: 3 Răspuns greșit: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 4.1 Combinat : 10.0 Parsare și extragere de date : 7.3 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
#19#19	Qwen3.5 Plus 2026-02-15medium	8.1	Qwen	$0.283 ↓	67.58s
Vezi fișa modelului Total teste 20 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 76.7% Teste instabile 3 Tokenuri de intrare 39,028 Tokenuri de ieșire 2,145 Tokenuri de raționament 172,563 Timp de răspuns (mediu) 67.58s Timp de răspuns (total) 878.57s Timp de răspuns (maxim) 266.69s Răspuns greșit: 4 Timp expirat: 2 Trucuri anti-AI : 8.2 Programare : 7.6 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
#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
#67#67	MiniMax M3medium	7.2	Minimax	$0.120	68.44s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 9.6 Rată de trecere pe încercare 65.0% Teste instabile 4 Tokenuri de intrare 43,447 Tokenuri de ieșire 46,884 Tokenuri de raționament 85,935 Timp de răspuns (mediu) 68.44s Timp de răspuns (total) 1300.32s Timp de răspuns (maxim) 431.03s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 5.5 Programare : 6.8 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
#63#63	Qwen3.5-35B-A3Bmedium	7.3	Qwen	$0.368 ↓	69.66s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 6 Tokenuri de intrare 40,306 Tokenuri de ieșire 31,242 Tokenuri de raționament 330,546 Timp de răspuns (mediu) 69.66s Timp de răspuns (total) 1393.17s Timp de răspuns (maxim) 409.98s Timp expirat: 4 Fără răspuns: 2 Răspuns greșit: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.5 Combinat : 4.7 Parsare și extragere de date : 7.3 Specific domeniului : 4.1 Inteligență generală : 2.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#71#71	Seed-2.0-Minimedium	7.1	Bytedance Seed	$0.044	80.22s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.0% 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: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.6 Programare : 6.8 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
#158#158	Qwen3.5-9Bmedium	4.2	Qwen	$0.033 ↓	83.32s
Vezi fișa modelului Total teste 20 Teste greșite 17 Fiabilitate 5.0 Rată de trecere pe încercare 28.3% Teste instabile 5 Tokenuri de intrare 15,204 Tokenuri de ieșire 27,305 Tokenuri de raționament 199,780 Timp de răspuns (mediu) 83.32s Timp de răspuns (total) 1249.74s Timp de răspuns (maxim) 226.38s Timp expirat: 11 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 5.1 Programare : 2.8 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#81#81	Kimi K2.5medium	6.7	Moonshot AI	$0.272 ↓	89.02s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 8 Tokenuri de intrare 31,717 Tokenuri de ieșire 48,374 Tokenuri de raționament 128,473 Timp de răspuns (mediu) 89.02s Timp de răspuns (total) 1157.32s 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 : 4.1 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

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