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)
#91#91	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 4 Tokenuri de intrare 346,451 Tokenuri de ieșire 10,136 Tokenuri de raționament 95,504 Timp de răspuns (mediu) 10.41s Timp de răspuns (total) 239.38s Timp de răspuns (maxim) 52.61s Răspuns greșit: 4 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#52#52	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 3 Tokenuri de intrare 255,743 Tokenuri de ieșire 8,684 Tokenuri de raționament 207,435 Timp de răspuns (mediu) 54.04s Timp de răspuns (total) 1242.97s Timp de răspuns (maxim) 333.47s Răspuns greșit: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 1 Tokenuri de intrare 315,290 Tokenuri de ieșire 1,607 Tokenuri de raționament 207,536 Timp de răspuns (mediu) 46.60s Timp de răspuns (total) 1071.83s Timp de răspuns (maxim) 376.04s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 2 Tokenuri de intrare 463,872 Tokenuri de ieșire 219,122 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.52s Timp de răspuns (total) 609.94s Timp de răspuns (maxim) 480.96s Răspuns greșit: 14 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 261,962 Tokenuri de ieșire 12,799 Tokenuri de raționament 2,961 Timp de răspuns (mediu) 3.60s Timp de răspuns (total) 82.91s Timp de răspuns (maxim) 48.59s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 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 : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 4 Tokenuri de intrare 230,291 Tokenuri de ieșire 99,030 Tokenuri de raționament 287,794 Timp de răspuns (mediu) 63.06s Timp de răspuns (total) 1450.31s Timp de răspuns (maxim) 560.31s Răspuns greșit: 14 Apel de instrument invalid: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.4 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.2 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 60.9% Teste instabile 5 Tokenuri de intrare 299,558 Tokenuri de ieșire 33,248 Tokenuri de raționament 374,819 Timp de răspuns (mediu) 133.93s Timp de răspuns (total) 3080.36s Timp de răspuns (maxim) 519.91s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 7 Tokenuri de intrare 384,974 Tokenuri de ieșire 13,946 Tokenuri de raționament 371,916 Timp de răspuns (mediu) 145.21s Timp de răspuns (total) 3339.87s Timp de răspuns (maxim) 640.89s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 1 Tokenuri de intrare 224,367 Tokenuri de ieșire 27,095 Tokenuri de raționament 242,256 Timp de răspuns (mediu) 105.03s Timp de răspuns (total) 2310.63s Timp de răspuns (maxim) 912.19s Fără răspuns: 2 Timp expirat: 2 Răspuns greșit: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 2.9 Combinat : 6.3 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 : 3.0
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 3 Tokenuri de intrare 113,613 Tokenuri de ieșire 122,706 Tokenuri de raționament 42,325 Timp de răspuns (mediu) 65.52s Timp de răspuns (total) 1376.01s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 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
#244#244	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 3 Tokenuri de intrare 276,199 Tokenuri de ieșire 17,473 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.50s Timp de răspuns (total) 195.60s Timp de răspuns (maxim) 81.77s Răspuns greșit: 13 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 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
#327#327	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 6 Tokenuri de intrare 272,479 Tokenuri de ieșire 40,677 Tokenuri de raționament 23,104 Timp de răspuns (mediu) 8.43s Timp de răspuns (total) 176.93s Timp de răspuns (maxim) 65.61s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 3 Tokenuri de intrare 139,086 Tokenuri de ieșire 193,584 Tokenuri de raționament 413,546 Timp de răspuns (mediu) 190.48s Timp de răspuns (total) 3238.23s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 10.0 Programare : 2.4 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#435#435	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
Vezi fișa modelului Total teste 1 Teste greșite 0 Fiabilitate 10.0 Rată de trecere pe încercare 4.4% Teste instabile 0 Tokenuri de intrare 134,050 Tokenuri de ieșire 1,029 Tokenuri de raționament 11,528 Timp de răspuns (mediu) 52.45s Timp de răspuns (total) 52.45s Timp de răspuns (maxim) 52.45s Sarcini agentice : 10.0 Trucuri anti-AI : 0.0 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 0.0 Specific domeniului : 0.0 Inteligență generală : 0.0 Respectarea instrucțiunilor : 0.0 Rezolvare de puzzle-uri : 0.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 8.7 Rată de trecere pe încercare 26.1% Teste instabile 6 Tokenuri de intrare 387,323 Tokenuri de ieșire 48,562 Tokenuri de raționament 410,431 Timp de răspuns (mediu) 110.18s Timp de răspuns (total) 1873.00s Timp de răspuns (maxim) 569.97s Timp expirat: 11 Fără răspuns: 3 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 5.1 Programare : 2.9 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
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 6 Tokenuri de intrare 232,641 Tokenuri de ieșire 69,335 Tokenuri de raționament 426,182 Timp de răspuns (mediu) 88.24s Timp de răspuns (total) 2029.57s Timp de răspuns (maxim) 814.73s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 8.2 Rată de trecere pe încercare 37.7% Teste instabile 10 Tokenuri de intrare 282,658 Tokenuri de ieșire 198,563 Tokenuri de raționament 462,804 Timp de răspuns (mediu) 235.35s Timp de răspuns (total) 5413.09s Timp de răspuns (maxim) 685.87s Timp expirat: 10 Răspuns greșit: 7 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 3.8 Combinat : 5.0 Parsare și extragere de date : 3.8 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 3 Tokenuri de intrare 100,255 Tokenuri de ieșire 6,422 Tokenuri de raționament 49,847 Timp de răspuns (mediu) 6.03s Timp de răspuns (total) 138.65s Timp de răspuns (maxim) 17.26s Răspuns greșit: 6 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Eroare API: 1 Sarcini agentice : 3.0 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
#177#177	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 8 Tokenuri de intrare 205,100 Tokenuri de ieșire 8,639 Tokenuri de raționament 21,409 Timp de răspuns (mediu) 7.37s Timp de răspuns (total) 169.54s Timp de răspuns (maxim) 74.39s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 6.0 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#279#279	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 39.1% Teste instabile 3 Tokenuri de intrare 314,113 Tokenuri de ieșire 17,558 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.49s Timp de răspuns (total) 172.19s Timp de răspuns (maxim) 75.99s Răspuns greșit: 14 Fără răspuns: 1 Sarcini agentice : 5.0 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
#165#165	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 2 Tokenuri de intrare 283,977 Tokenuri de ieșire 36,422 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.98s Timp de răspuns (total) 229.52s Timp de răspuns (maxim) 124.53s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Sarcini agentice : 10.0 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
#108#108	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 197,896 Tokenuri de ieșire 6,211 Tokenuri de raționament 133,184 Timp de răspuns (mediu) 18.39s Timp de răspuns (total) 422.93s Timp de răspuns (maxim) 111.09s Răspuns greșit: 8 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#364#364	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 5 Tokenuri de intrare 342,158 Tokenuri de ieșire 32,853 Tokenuri de raționament 25,013 Timp de răspuns (mediu) 22.44s Timp de răspuns (total) 516.03s Timp de răspuns (maxim) 122.50s Răspuns greșit: 9 Eroare API: 3 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.2 Programare : 3.1 Combinat : 4.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 4 Tokenuri de intrare 218,886 Tokenuri de ieșire 135,768 Tokenuri de raționament 0 Timp de răspuns (mediu) 18.31s Timp de răspuns (total) 421.19s Timp de răspuns (maxim) 209.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.4 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 5 Tokenuri de intrare 189,300 Tokenuri de ieșire 10,854 Tokenuri de raționament 86,089 Timp de răspuns (mediu) 4.40s Timp de răspuns (total) 96.81s Timp de răspuns (maxim) 34.92s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 6.9 Programare : 8.2 Combinat : 6.7 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

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