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: 2026-10-01 Modele evaluate: 382

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

382/382

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#206#206	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 317,982 Tokenuri de ieșire 3,918 Tokenuri de raționament 135,028 Timp de răspuns (mediu) 7.74s Timp de răspuns (total) 178.07s Timp de răspuns (maxim) 107.89s Răspuns greșit: 9 Eroare API: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#207#207	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 1 Tokenuri de intrare 230,004 Tokenuri de ieșire 18,040 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.67s Timp de răspuns (total) 107.45s Timp de răspuns (maxim) 49.23s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#205#205	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 60.9% Teste instabile 8 Tokenuri de intrare 292,271 Tokenuri de ieșire 55,025 Tokenuri de raționament 186,071 Timp de răspuns (mediu) 125.76s Timp de răspuns (total) 2137.84s Timp de răspuns (maxim) 566.79s Răspuns greșit: 5 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#204#204	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 1 Tokenuri de intrare 106,316 Tokenuri de ieșire 79,338 Tokenuri de raționament 41,089 Timp de răspuns (mediu) 28.08s Timp de răspuns (total) 421.15s Timp de răspuns (maxim) 140.96s Răspuns greșit: 4 Formatare suplimentară: 3 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.5 Programare : 5.7 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 : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#203#203	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
#202#202	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
#201#201	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 2 Tokenuri de intrare 405,921 Tokenuri de ieșire 97,112 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.79s Timp de răspuns (total) 340.25s Timp de răspuns (maxim) 212.63s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 4.8 Programare : 3.7 Combinat : 5.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#200#200	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
#199#199	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 325,471 Tokenuri de ieșire 14,867 Tokenuri de raționament 217,675 Timp de răspuns (mediu) 44.53s Timp de răspuns (total) 1024.25s Timp de răspuns (maxim) 216.69s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#198#198	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 6 Tokenuri de intrare 106,085 Tokenuri de ieșire 9,071 Tokenuri de raționament 135,288 Timp de răspuns (mediu) 21.21s Timp de răspuns (total) 487.83s Timp de răspuns (maxim) 199.97s Răspuns greșit: 10 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 7.0 Programare : 6.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#197#197	GLM 5.1none	6.5	Z.ai	$0.385 ↑	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
#196#196	GLM 5.3low	6.5	Z.ai	$0.155 ↓	15.18s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 247,871 Tokenuri de ieșire 10,791 Tokenuri de raționament 17,315 Timp de răspuns (mediu) 15.18s Timp de răspuns (total) 349.06s Timp de răspuns (maxim) 83.60s Răspuns greșit: 8 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.9 Programare : 6.2 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#195#195	Mercury 2.5high	6.5	Inception	$0.044	7.62s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.8 Rată de trecere pe încercare 59.4% Teste instabile 4 Tokenuri de intrare 358,562 Tokenuri de ieșire 4,266 Tokenuri de raționament 189,410 Timp de răspuns (mediu) 7.62s Timp de răspuns (total) 175.36s Timp de răspuns (maxim) 80.30s Răspuns greșit: 9 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 6.4 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#194#194	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 298,512 Tokenuri de ieșire 3,178 Tokenuri de raționament 177,419 Timp de răspuns (mediu) 7.61s Timp de răspuns (total) 175.08s Timp de răspuns (maxim) 86.84s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#193#193	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 3 Tokenuri de intrare 282,192 Tokenuri de ieșire 75,306 Tokenuri de raționament 700,868 Timp de răspuns (mediu) 59.92s Timp de răspuns (total) 1258.32s Timp de răspuns (maxim) 817.57s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#192#192	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
#191#191	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 87,682 Tokenuri de ieșire 7,166 Tokenuri de raționament 106,027 Timp de răspuns (mediu) 19.40s Timp de răspuns (total) 446.11s Timp de răspuns (maxim) 209.15s Răspuns greșit: 10 Eroare API: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 6.9 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#190#190	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 4 Tokenuri de intrare 421,200 Tokenuri de ieșire 1,100,052 Tokenuri de raționament 0 Timp de răspuns (mediu) 72.72s Timp de răspuns (total) 1672.53s Timp de răspuns (maxim) 364.99s Răspuns greșit: 8 Fără răspuns: 2 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.4 Trucuri anti-AI : 10.0 Programare : 4.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#189#189	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
#188#188	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.9 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 262,387 Tokenuri de ieșire 7,344 Tokenuri de raționament 338,881 Timp de răspuns (mediu) 115.00s Timp de răspuns (total) 2645.11s Timp de răspuns (maxim) 560.39s Răspuns greșit: 8 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#187#187	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 8 Tokenuri de intrare 300,394 Tokenuri de ieșire 14,081 Tokenuri de raționament 500,844 Timp de răspuns (mediu) 51.80s Timp de răspuns (total) 1191.42s Timp de răspuns (maxim) 593.64s Răspuns greșit: 8 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 5.8 Rezolvare de puzzle-uri : 7.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#186#186	GLM 5.2none	6.6	Z.ai	$0.173 ↓	11.27s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 3 Tokenuri de intrare 247,919 Tokenuri de ieșire 17,685 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.27s Timp de răspuns (total) 259.32s Timp de răspuns (maxim) 79.65s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.3 Programare : 3.7 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#185#185	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 2 Tokenuri de intrare 205,108 Tokenuri de ieșire 6,197 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.75s Timp de răspuns (total) 109.31s Timp de răspuns (maxim) 57.53s Răspuns greșit: 11 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#184#184	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 4 Tokenuri de intrare 255,173 Tokenuri de ieșire 9,891 Tokenuri de raționament 17,277 Timp de răspuns (mediu) 11.82s Timp de răspuns (total) 271.92s Timp de răspuns (maxim) 90.45s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#183#183	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 3 Tokenuri de intrare 207,852 Tokenuri de ieșire 5,555 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.61s Timp de răspuns (total) 105.93s Timp de răspuns (maxim) 58.28s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 8.5 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