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: 2026-09-02 Modele evaluate: 311

Modele recomandate

GPT-5.6 Sol high Inteligent Rată de trecere pe încercare 89.4% Teste corecte 18 / 22 Scor 9.4/10 GPT-5.6 Luna medium Rapid Timp de răspuns (mediu) 7.43s Total tokenuri de ieșire 44,525 Scor 7.4/10 DeepSeek V4 Flash 0731 high Accesibil Preț de intrare $0.065 / 1M Preț de ieșire $0.180 / 1M Scor 8.0/10

311/311

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#118#118	Muse Glimmer 30Bhigh	7.2	Meta	$0.430 ↓	66.70s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 103,494 Tokenuri de ieșire 100,589 Tokenuri de raționament 270,217 Timp de răspuns (mediu) 66.70s Timp de răspuns (total) 1467.39s Timp de răspuns (maxim) 451.90s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#10#10	GPT-5.6 Solhigh	9.4	OpenAI	$0.446 ↓	11.48s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 89.4% Teste instabile 3 Tokenuri de intrare 79,258 Tokenuri de ieșire 4,855 Tokenuri de raționament 23,853 Timp de răspuns (mediu) 11.48s Timp de răspuns (total) 252.62s Timp de răspuns (maxim) 54.79s Răspuns greșit: 4 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 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 : 4.7
#106#106	Grok 4.6low	7.4	X AI	$0.449	14.55s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 1 Tokenuri de intrare 109,960 Tokenuri de ieșire 5,124 Tokenuri de raționament 32,924 Timp de răspuns (mediu) 14.55s Timp de răspuns (total) 320.17s Timp de răspuns (maxim) 26.46s Răspuns greșit: 7 Trucuri anti-AI : 10.0 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#30#30	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 84.9% Teste instabile 2 Tokenuri de intrare 87,826 Tokenuri de ieșire 2,239 Tokenuri de raționament 32,956 Timp de răspuns (mediu) 5.76s Timp de răspuns (total) 126.71s Timp de răspuns (maxim) 53.55s Răspuns greșit: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#154#154	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 44,615 Tokenuri de ieșire 2,347 Tokenuri de raționament 98,415 Timp de răspuns (mediu) 23.08s Timp de răspuns (total) 484.63s Timp de răspuns (maxim) 95.88s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.2 Programare : 6.0 Combinat : 3.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 7.0 Cultură generală : 3.0
#94#94	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 5 Tokenuri de intrare 113,569 Tokenuri de ieșire 9,823 Tokenuri de raționament 264,886 Timp de răspuns (mediu) 91.76s Timp de răspuns (total) 1376.42s Timp de răspuns (maxim) 304.85s Răspuns greșit: 4 Timp expirat: 2 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.2 Programare : 6.6 Combinat : 6.9 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
#135#135	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.478	24.87s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 87,916 Tokenuri de ieșire 7,213 Tokenuri de raționament 132,162 Timp de răspuns (mediu) 24.87s Timp de răspuns (total) 547.14s Timp de răspuns (maxim) 257.00s Răspuns greșit: 9 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.2 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 8 Tokenuri de intrare 118,496 Tokenuri de ieșire 53,522 Tokenuri de raționament 167,420 Timp de răspuns (mediu) 98.19s Timp de răspuns (total) 1571.05s Timp de răspuns (maxim) 281.00s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1 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
#151#151	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.487	26.01s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 8 Tokenuri de intrare 98,508 Tokenuri de ieșire 139,572 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.01s Timp de răspuns (total) 572.22s Timp de răspuns (maxim) 335.41s Răspuns greșit: 10 Apel de instrument invalid: 1 Trucuri anti-AI : 8.7 Programare : 6.1 Combinat : 4.1 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#83#83	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.489 ↑	92.50s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 6 Tokenuri de intrare 90,757 Tokenuri de ieșire 22,928 Tokenuri de raționament 186,516 Timp de răspuns (mediu) 92.50s Timp de răspuns (total) 2035.01s Timp de răspuns (maxim) 416.76s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 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
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 4 Tokenuri de intrare 93,411 Tokenuri de ieșire 30,470 Tokenuri de raționament 356,172 Timp de răspuns (mediu) 153.29s Timp de răspuns (total) 3372.36s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 8.9 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#68#68	Step 3.7 Flashmedium	7.9	Stepfun	$0.495	23.51s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 3 Tokenuri de intrare 114,191 Tokenuri de ieșire 409,709 Tokenuri de raționament 0 Timp de răspuns (mediu) 23.51s Timp de răspuns (total) 517.21s Timp de răspuns (maxim) 152.83s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#104#104	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 2 Tokenuri de intrare 97,324 Tokenuri de ieșire 44,383 Tokenuri de raționament 346,490 Timp de răspuns (mediu) 143.55s Timp de răspuns (total) 3158.11s Timp de răspuns (maxim) 939.52s Răspuns greșit: 7 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#156#156	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
Vezi fișa modelului Total teste 19 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 0 Tokenuri de intrare 69,576 Tokenuri de ieșire 6,265 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.02s Timp de răspuns (total) 57.44s Timp de răspuns (maxim) 18.27s Răspuns greșit: 3 Trucuri anti-AI : 8.3 Programare : 3.3 Combinat : 4.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#117#117	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 6 Tokenuri de intrare 106,085 Tokenuri de ieșire 9,071 Tokenuri de raționament 135,288 Timp de răspuns (mediu) 22.11s Timp de răspuns (total) 486.31s Timp de răspuns (maxim) 199.97s Răspuns greșit: 10 Apel de instrument invalid: 1 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
#9#9	GPT-5.6 Solmedium	9.4	OpenAI	$0.508 ↓	12.63s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 90.9% Teste instabile 3 Tokenuri de intrare 79,006 Tokenuri de ieșire 4,696 Tokenuri de raționament 30,281 Timp de răspuns (mediu) 12.63s Timp de răspuns (total) 277.88s Timp de răspuns (maxim) 79.40s Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 4.7
#58#58	Muse Glimmer 30Bxhigh	8.1	Meta	$0.510 ↓	95.55s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 9.9 Rată de trecere pe încercare 69.7% Teste instabile 4 Tokenuri de intrare 110,930 Tokenuri de ieșire 116,373 Tokenuri de raționament 330,471 Timp de răspuns (mediu) 95.55s Timp de răspuns (total) 2102.12s Timp de răspuns (maxim) 576.79s Răspuns greșit: 4 Fără răspuns: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#74#74	GPT-5.6 Terramedium	7.8	OpenAI	$0.523 ↓	6.85s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 2 Tokenuri de intrare 79,184 Tokenuri de ieșire 4,878 Tokenuri de raționament 25,471 Timp de răspuns (mediu) 6.85s Timp de răspuns (total) 150.65s Timp de răspuns (maxim) 41.68s Răspuns greșit: 8 Trucuri anti-AI : 8.3 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#93#93	GPT 5.3 Chatnone	7.5	OpenAI	$0.533	6.56s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 4 Tokenuri de intrare 78,846 Tokenuri de ieșire 28,179 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.56s Timp de răspuns (total) 137.77s Timp de răspuns (maxim) 18.33s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 6.7 Programare : 5.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#31#31	Gemini 3.5 Flash Litehigh	8.8	Google	$0.540	10.05s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 2 Tokenuri de intrare 93,046 Tokenuri de ieșire 5,884 Tokenuri de raționament 198,741 Timp de răspuns (mediu) 10.05s Timp de răspuns (total) 221.06s Timp de răspuns (maxim) 36.22s Răspuns greșit: 5 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 9.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#130#130	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 2 Tokenuri de intrare 79,294 Tokenuri de ieșire 4,915 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.35s Timp de răspuns (total) 51.78s Timp de răspuns (maxim) 12.24s Răspuns greșit: 10 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
#300#300	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
Vezi fișa modelului Total teste 19 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 11,793 Tokenuri de ieșire 267,275 Tokenuri de raționament 0 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 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
#181#181	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 4 Tokenuri de intrare 161,032 Tokenuri de ieșire 22,508 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.05s Timp de răspuns (total) 132.99s Timp de răspuns (maxim) 33.39s Răspuns greșit: 8 Formatare suplimentară: 4 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.3 Programare : 4.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#88#88	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.567 ↕	33.62s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 9.8 Rată de trecere pe încercare 66.7% Teste instabile 3 Tokenuri de intrare 233,415 Tokenuri de ieșire 54,384 Tokenuri de raționament 130,021 Timp de răspuns (mediu) 33.62s Timp de răspuns (total) 739.59s Timp de răspuns (maxim) 392.56s Răspuns greșit: 7 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#272#272	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 8 Tokenuri de intrare 101,776 Tokenuri de ieșire 276,367 Tokenuri de raționament 656,252 Timp de răspuns (mediu) 75.86s Timp de răspuns (total) 1668.93s Timp de răspuns (maxim) 510.21s Răspuns greșit: 10 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Fără răspuns: 1 Trucuri anti-AI : 6.7 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 4.7 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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium