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: 2026-10-17 Modele evaluate: 442

Modele recomandate

GPT-6.1 Sol xhigh Inteligent Rată de trecere pe încercare 97.1% Teste corecte 22 / 23 Scor 9.9/10 Gemini 3.7 Flash low Rapid Timp de răspuns (mediu) 6.24s Total tokenuri de ieșire 38,453 Scor 9.4/10 GPT-6 Luna high Accesibil Preț de intrare $0.100 / 1M Preț de ieșire $0.500 / 1M Preț citire cache $0.010 / 1M Preț scriere cache $0.125 / 1M Scor 7.7/10

442/442

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#305#305	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.7 Rată de trecere pe încercare 43.5% Teste instabile 4 Tokenuri de intrare 251,253 Tokenuri de ieșire 3,892 Tokenuri de raționament 0 Timp de răspuns (mediu) 46.97s Timp de răspuns (total) 1080.29s Timp de răspuns (maxim) 872.07s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 4.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#306#306	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.5 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 229,346 Tokenuri de ieșire 18,597 Tokenuri de raționament 129,338 Timp de răspuns (mediu) 56.40s Timp de răspuns (total) 1184.46s Timp de răspuns (maxim) 431.98s Răspuns greșit: 6 Eroare API: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.3 Programare : 3.1 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.1 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 1 Tokenuri de intrare 39,886 Tokenuri de ieșire 1,890 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.00s Timp de răspuns (total) 138.04s Timp de răspuns (maxim) 118.00s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 8.9 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 166,347 Tokenuri de ieșire 423,884 Tokenuri de raționament 1,394,387 Timp de răspuns (mediu) 140.39s Timp de răspuns (total) 3229.07s Timp de răspuns (maxim) 786.72s Răspuns greșit: 10 Formatare suplimentară: 2 Eroare API: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 8.4 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#320#320	Ember-1none	5.4	Fireworks	$0.786	22.65s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 8.8 Rată de trecere pe încercare 43.5% Teste instabile 4 Tokenuri de intrare 202,617 Tokenuri de ieșire 11,832 Tokenuri de raționament 0 Timp de răspuns (mediu) 22.65s Timp de răspuns (total) 520.91s Timp de răspuns (maxim) 93.12s Răspuns greșit: 10 Eroare API: 5 Sarcini agentice : 6.1 Trucuri anti-AI : 5.2 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.4 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#337#337	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.6 Rată de trecere pe încercare 43.5% Teste instabile 3 Tokenuri de intrare 51,369 Tokenuri de ieșire 8,008 Tokenuri de raționament 58,568 Timp de răspuns (mediu) 8.32s Timp de răspuns (total) 191.40s Timp de răspuns (maxim) 48.19s Răspuns greșit: 10 Eroare API: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
Vezi fișa modelului Total teste 19 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 11,793 Tokenuri de ieșire 1,809 Tokenuri de raționament 265,466 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 Sarcini agentice : 0.0 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
#367#367	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 0 Tokenuri de intrare 37,100 Tokenuri de ieșire 1,766 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.99s Timp de răspuns (total) 62.74s Timp de răspuns (maxim) 6.51s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#370#370	Owl Alphamedium	4.6	Openrouter	$0.000	11.95s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 1 Tokenuri de intrare 43,478 Tokenuri de ieșire 2,974 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.95s Timp de răspuns (total) 250.88s Timp de răspuns (maxim) 58.63s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Eroare API: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 5.4 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#376#376	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 1 Tokenuri de intrare 40,852 Tokenuri de ieșire 3,314 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.44s Timp de răspuns (total) 48.81s Timp de răspuns (maxim) 6.81s Răspuns greșit: 10 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.6 Programare : 4.4 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 1 Tokenuri de intrare 361,183 Tokenuri de ieșire 26,609 Tokenuri de raționament 11,139 Timp de răspuns (mediu) 8.03s Timp de răspuns (total) 184.80s Timp de răspuns (maxim) 51.18s Formatare suplimentară: 8 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Fără răspuns: 1 Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 3.4 Combinat : 8.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#228#228	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 5 Tokenuri de intrare 258,956 Tokenuri de ieșire 20,076 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.10s Timp de răspuns (total) 255.39s Timp de răspuns (maxim) 107.19s Răspuns greșit: 12 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 4.0 Programare : 3.9 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 46.4% Teste instabile 3 Tokenuri de intrare 352,516 Tokenuri de ieșire 33,786 Tokenuri de raționament 504,506 Timp de răspuns (mediu) 48.97s Timp de răspuns (total) 1126.35s Timp de răspuns (maxim) 422.72s Răspuns greșit: 10 Apel de instrument invalid: 2 Fără răspuns: 2 Sarcini agentice : 6.1 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
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 8 Tokenuri de intrare 363,310 Tokenuri de ieșire 381,919 Tokenuri de raționament 0 Timp de răspuns (mediu) 60.03s Timp de răspuns (total) 1380.67s Timp de răspuns (maxim) 459.99s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.4 Programare : 6.6 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 5.6 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#277#277	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 278,866 Tokenuri de ieșire 82,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.66s Timp de răspuns (total) 222.07s Timp de răspuns (maxim) 106.86s Răspuns greșit: 10 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 5.6 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 5 Tokenuri de intrare 285,293 Tokenuri de ieșire 29,565 Tokenuri de raționament 89,266 Timp de răspuns (mediu) 31.58s Timp de răspuns (total) 536.78s Timp de răspuns (maxim) 203.90s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 5.0 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
#282#282	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 9.9 Rată de trecere pe încercare 47.8% Teste instabile 4 Tokenuri de intrare 202,069 Tokenuri de ieșire 11,961 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.58s Timp de răspuns (total) 82.24s Timp de răspuns (maxim) 43.82s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.5 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 : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#298#298	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 1 Tokenuri de intrare 270,970 Tokenuri de ieșire 15,499 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.28s Timp de răspuns (total) 152.84s Timp de răspuns (maxim) 44.73s Răspuns greșit: 11 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.5 Apelare instrumente : 3.0 Cultură generală : 3.0
#311#311	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 1 Tokenuri de intrare 280,126 Tokenuri de ieșire 17,306 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.55s Timp de răspuns (total) 242.57s Timp de răspuns (maxim) 75.76s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.1% Teste instabile 0 Tokenuri de intrare 281,460 Tokenuri de ieșire 13,791 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.05s Timp de răspuns (total) 116.11s Timp de răspuns (maxim) 47.42s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#328#328	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 4 Tokenuri de intrare 81,447 Tokenuri de ieșire 2,715 Tokenuri de raționament 11,971 Timp de răspuns (mediu) 1.99s Timp de răspuns (total) 45.67s Timp de răspuns (maxim) 5.82s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 7,608 Tokenuri de ieșire 17,529 Tokenuri de raționament 34,499 Timp de răspuns (mediu) 48.94s Timp de răspuns (total) 831.92s Timp de răspuns (maxim) 143.82s Eroare API: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 1 Tokenuri de intrare 190,675 Tokenuri de ieșire 5,577 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.74s Timp de răspuns (total) 131.17s Timp de răspuns (maxim) 74.80s Răspuns greșit: 13 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 4.0 Combinat : 1.5 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
#424#424	Decider V1.2default	2.6	Perplexity	$0.001	517ms
Vezi fișa modelului Total teste 12 Teste greșite 7 Fiabilitate 9.4 Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 48,363 Tokenuri de ieșire 67 Tokenuri de raționament 0 Timp de răspuns (mediu) 517ms Timp de răspuns (total) 6.20s Timp de răspuns (maxim) 776ms Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 5.8 Programare : 4.5 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#437#437	Solar Decide Flashdefault	1.7	Upstage	$0.003	1.33s
Vezi fișa modelului Total teste 7 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 47,586 Tokenuri de ieșire 51 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.33s Timp de răspuns (total) 9.32s Timp de răspuns (maxim) 1.66s Răspuns greșit: 4 Sarcini agentice : 0.0 Trucuri anti-AI : 0.8 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.4 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0

Tendințe globale ale benchmarkului

Vezi cum echilibrează modelele actuale scorul, costul, viteza, lungimea răspunsului și performanța pe categorii.

Grafice →

Frontiera Pareto: inteligență vs cost

Evoluția celui mai bun scor al companiilor de top

Frontiera Pareto: inteligență vs viteza de răspuns

Frontiera Pareto: scor vs tokenuri de ieșire

Dificultatea categoriilor între modele

Comparație rapidă

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow