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)
#334#334	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.7 Rată de trecere pe încercare 42.0% Teste instabile 8 Tokenuri de intrare 321,955 Tokenuri de ieșire 41,555 Tokenuri de raționament 94,946 Timp de răspuns (mediu) 12.68s Timp de răspuns (total) 291.66s Timp de răspuns (maxim) 59.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.6 Programare : 4.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#179#179	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 7 Tokenuri de intrare 259,664 Tokenuri de ieșire 8,414 Tokenuri de raționament 333,097 Timp de răspuns (mediu) 49.20s Timp de răspuns (total) 1131.69s Timp de răspuns (maxim) 316.27s Răspuns greșit: 5 Formatare suplimentară: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 8.7 Parsare și extragere de date : 2.7 Specific domeniului : 3.6 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#338#338	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 4 Tokenuri de intrare 273,075 Tokenuri de ieșire 17,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.21s Timp de răspuns (total) 142.89s Timp de răspuns (maxim) 53.13s Răspuns greșit: 12 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 2 Tokenuri de intrare 25,987 Tokenuri de ieșire 216,719 Tokenuri de raționament 0 Timp de răspuns (mediu) 56.57s Timp de răspuns (total) 848.59s Timp de răspuns (maxim) 149.94s Eroare API: 7 Răspuns greșit: 3 Sarcini agentice : 0.0 Trucuri anti-AI : 6.4 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 388,929 Tokenuri de ieșire 57,714 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.63s Timp de răspuns (total) 175.42s Timp de răspuns (maxim) 93.47s Răspuns greșit: 13 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.1 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#38#38	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 2 Tokenuri de intrare 394,509 Tokenuri de ieșire 10,349 Tokenuri de raționament 188,919 Timp de răspuns (mediu) 16.58s Timp de răspuns (total) 381.40s Timp de răspuns (maxim) 92.74s Răspuns greșit: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 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 : 7.6 Apelare instrumente : 10.0 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
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.4 Rată de trecere pe încercare 59.4% Teste instabile 3 Tokenuri de intrare 313,368 Tokenuri de ieșire 12,289 Tokenuri de raționament 259,270 Timp de răspuns (mediu) 91.67s Timp de răspuns (total) 1833.43s Timp de răspuns (maxim) 301.78s Răspuns greșit: 5 Timp expirat: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.6 Programare : 5.5 Combinat : 7.3 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
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 3 Tokenuri de intrare 251,164 Tokenuri de ieșire 36,112 Tokenuri de raționament 241,203 Timp de răspuns (mediu) 78.76s Timp de răspuns (total) 1653.96s Timp de răspuns (maxim) 437.40s Răspuns greșit: 4 Eroare API: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 4.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 27.5% Teste instabile 6 Tokenuri de intrare 344,806 Tokenuri de ieșire 177,330 Tokenuri de raționament 453,213 Timp de răspuns (mediu) 113.63s Timp de răspuns (total) 2613.48s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 12 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.6 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 250,919 Tokenuri de ieșire 20,816 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.71s Timp de răspuns (total) 292.29s Timp de răspuns (maxim) 156.31s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 3.8 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 7.3 Specific domeniului : 7.7 Inteligență generală : 5.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.5 Cultură generală : 3.0
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 287,061 Tokenuri de ieșire 32,056 Tokenuri de raționament 196,607 Timp de răspuns (mediu) 91.29s Timp de răspuns (total) 2099.56s Timp de răspuns (maxim) 416.76s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 5.7 Programare : 6.3 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
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 4 Tokenuri de intrare 403,455 Tokenuri de ieșire 100,227 Tokenuri de raționament 15,364 Timp de răspuns (mediu) 38.64s Timp de răspuns (total) 888.69s Timp de răspuns (maxim) 247.27s Răspuns greșit: 13 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 3.0 Programare : 4.2 Combinat : 4.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#255#255	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 7 Tokenuri de intrare 306,662 Tokenuri de ieșire 17,819 Tokenuri de raționament 125,341 Timp de răspuns (mediu) 70.08s Timp de răspuns (total) 1611.86s Timp de răspuns (maxim) 376.10s Răspuns greșit: 6 Eroare API: 2 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 6.0 Combinat : 7.3 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
#190#190	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 2 Tokenuri de intrare 228,023 Tokenuri de ieșire 10,779 Tokenuri de raționament 53,188 Timp de răspuns (mediu) 6.27s Timp de răspuns (total) 144.10s Timp de răspuns (maxim) 47.78s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 7.2 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
#233#233	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 3 Tokenuri de intrare 233,893 Tokenuri de ieșire 12,432 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.05s Timp de răspuns (total) 102.89s Timp de răspuns (maxim) 57.84s Răspuns greșit: 9 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 9 Tokenuri de intrare 277,028 Tokenuri de ieșire 11,965 Tokenuri de raționament 31,238 Timp de răspuns (mediu) 9.69s Timp de răspuns (total) 222.83s Timp de răspuns (maxim) 77.99s Răspuns greșit: 10 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#182#182	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 272,221 Tokenuri de ieșire 12,345 Tokenuri de raționament 47,189 Timp de răspuns (mediu) 6.78s Timp de răspuns (total) 155.96s Timp de răspuns (maxim) 54.91s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 7.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#293#293	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 10 Tokenuri de intrare 314,436 Tokenuri de ieșire 13,578 Tokenuri de raționament 294,343 Timp de răspuns (mediu) 56.55s Timp de răspuns (total) 961.32s Timp de răspuns (maxim) 227.89s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 6.5 Programare : 7.0 Combinat : 6.4 Parsare și extragere de date : 3.7 Specific domeniului : 3.4 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#285#285	Nemotron 3 Ultranone	5.9	NVIDIA	$0.164 ↕	6.76s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 2 Tokenuri de intrare 275,381 Tokenuri de ieșire 11,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.76s Timp de răspuns (total) 155.50s Timp de răspuns (maxim) 70.17s Răspuns greșit: 12 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 6.2 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 185,167 Tokenuri de ieșire 9,430 Tokenuri de raționament 0 Timp de răspuns (mediu) 40.38s Timp de răspuns (total) 928.76s Timp de răspuns (maxim) 95.32s Răspuns greșit: 14 Eroare API: 2 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.3 Programare : 3.8 Combinat : 3.0 Parsare și extragere de date : 8.7 Specific domeniului : 6.8 Inteligență generală : 5.1 Respectarea instrucțiunilor : 7.0 Rezolvare de puzzle-uri : 4.6 Apelare instrumente : 3.0 Cultură generală : 3.0
#330#330	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 170,517 Tokenuri de ieșire 149,968 Tokenuri de raționament 509,725 Timp de răspuns (mediu) 77.08s Timp de răspuns (total) 1772.78s Timp de răspuns (maxim) 490.99s Răspuns greșit: 11 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 5.5 Programare : 4.4 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#294#294	GPT-5.4 Mininone	5.7	OpenAI	$0.170	3.34s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 2 Tokenuri de intrare 172,438 Tokenuri de ieșire 8,828 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.34s Timp de răspuns (total) 76.84s Timp de răspuns (maxim) 41.98s Răspuns greșit: 14 Nu a urmat instrucțiunile: 3 Sarcini agentice : 5.0 Trucuri anti-AI : 3.1 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.5 Rată de trecere pe încercare 40.6% Teste instabile 9 Tokenuri de intrare 207,883 Tokenuri de ieșire 144,718 Tokenuri de raționament 525,897 Timp de răspuns (mediu) 83.19s Timp de răspuns (total) 1913.41s Timp de răspuns (maxim) 597.61s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 6.9 Programare : 4.0 Combinat : 6.3 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#251#251	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 52.2% Teste instabile 3 Tokenuri de intrare 346,064 Tokenuri de ieșire 53,060 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.07s Timp de răspuns (total) 341.27s Timp de răspuns (maxim) 183.50s Răspuns greșit: 11 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 4.8 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 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