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)
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 71.0% Teste instabile 3 Tokenuri de intrare 369,495 Tokenuri de ieșire 172,852 Tokenuri de raționament 476,002 Timp de răspuns (mediu) 88.74s Timp de răspuns (total) 2041.10s Timp de răspuns (maxim) 567.88s Fără răspuns: 4 Răspuns greșit: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 2.8 Cultură generală : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 69.6% Teste instabile 2 Tokenuri de intrare 324,691 Tokenuri de ieșire 181,251 Tokenuri de raționament 506,441 Timp de răspuns (mediu) 87.39s Timp de răspuns (total) 2010.08s Timp de răspuns (maxim) 665.85s Fără răspuns: 4 Răspuns greșit: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 2.8 Cultură generală : 3.0
#143#143	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 4 Tokenuri de intrare 302,228 Tokenuri de ieșire 181,271 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.38s Timp de răspuns (total) 675.79s Timp de răspuns (maxim) 234.56s Răspuns greșit: 10 Sarcini agentice : 10.0 Trucuri anti-AI : 6.4 Programare : 6.2 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#201#201	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 5 Tokenuri de intrare 315,136 Tokenuri de ieșire 219,014 Tokenuri de raționament 0 Timp de răspuns (mediu) 36.24s Timp de răspuns (total) 833.43s Timp de răspuns (maxim) 320.00s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 6.4 Programare : 5.7 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 5.3 Respectarea instrucțiunilor : 5.9 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#212#212	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 9 Tokenuri de intrare 365,069 Tokenuri de ieșire 133,336 Tokenuri de raționament 344,133 Timp de răspuns (mediu) 31.25s Timp de răspuns (total) 718.67s Timp de răspuns (maxim) 114.61s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 5.5 Combinat : 4.2 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 7 Tokenuri de intrare 255,887 Tokenuri de ieșire 154,879 Tokenuri de raționament 603,518 Timp de răspuns (mediu) 70.48s Timp de răspuns (total) 1620.93s Timp de răspuns (maxim) 480.52s Răspuns greșit: 9 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.7 Programare : 5.8 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 3.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 6 Tokenuri de intrare 260,850 Tokenuri de ieșire 125,908 Tokenuri de raționament 516,424 Timp de răspuns (mediu) 66.13s Timp de răspuns (total) 1520.96s Timp de răspuns (maxim) 417.36s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 271,890 Tokenuri de ieșire 190,841 Tokenuri de raționament 513,329 Timp de răspuns (mediu) 85.22s Timp de răspuns (total) 1960.12s Timp de răspuns (maxim) 432.81s Fără răspuns: 4 Nu a urmat instrucțiunile: 3 Răspuns greșit: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 5.6 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 267,840 Tokenuri de ieșire 192,115 Tokenuri de raționament 0 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.28s Timp de răspuns (maxim) 197.32s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 5.2 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 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
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 6 Tokenuri de intrare 321,894 Tokenuri de ieșire 139,334 Tokenuri de raționament 369,481 Timp de răspuns (mediu) 33.68s Timp de răspuns (total) 774.73s Timp de răspuns (maxim) 163.05s Răspuns greșit: 9 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.7 Programare : 5.1 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 9.9 Rată de trecere pe încercare 68.1% Teste instabile 9 Tokenuri de intrare 293,112 Tokenuri de ieșire 152,376 Tokenuri de raționament 357,890 Timp de răspuns (mediu) 32.68s Timp de răspuns (total) 751.72s Timp de răspuns (maxim) 115.57s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 3.4 Trucuri anti-AI : 10.0 Programare : 4.3 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 9 Tokenuri de intrare 208,598 Tokenuri de ieșire 120,583 Tokenuri de raționament 590,044 Timp de răspuns (mediu) 70.32s Timp de răspuns (total) 1617.43s Timp de răspuns (maxim) 459.19s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Formatare suplimentară: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.7 Programare : 4.2 Combinat : 9.9 Parsare și extragere de date : 4.5 Specific domeniului : 3.6 Inteligență generală : 3.8 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#299#299	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
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 289,086 Tokenuri de ieșire 194,450 Tokenuri de raționament 0 Timp de răspuns (mediu) 30.63s Timp de răspuns (total) 704.47s Timp de răspuns (maxim) 340.88s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Sarcini agentice : 4.7 Trucuri anti-AI : 6.9 Programare : 5.6 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#308#308	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.8 Rată de trecere pe încercare 33.3% Teste instabile 5 Tokenuri de intrare 286,758 Tokenuri de ieșire 85,777 Tokenuri de raționament 0 Timp de răspuns (mediu) 15.75s Timp de răspuns (total) 362.23s Timp de răspuns (maxim) 90.95s Răspuns greșit: 9 Nu a urmat instrucțiunile: 5 Fără răspuns: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.6 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 4.7 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
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 8 Tokenuri de intrare 465,127 Tokenuri de ieșire 72,309 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.79s Timp de răspuns (total) 179.09s Timp de răspuns (maxim) 121.52s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 5.2 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 4.9 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#343#343	Dots 3 Note Previewdefault	5.0	Dots Studio	$0.000	5.36s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 225,907 Tokenuri de ieșire 22,507 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.36s Timp de răspuns (total) 123.38s Timp de răspuns (maxim) 45.71s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.1 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 8.9 Rată de trecere pe încercare 17.4% Teste instabile 0 Tokenuri de intrare 177,989 Tokenuri de ieșire 26,954 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.47s Timp de răspuns (total) 677.70s Timp de răspuns (maxim) 159.85s Răspuns greșit: 13 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 9.5 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
#372#372	Owl Alphadefault	4.6	Openrouter	$0.000	9.88s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 42,283 Tokenuri de ieșire 5,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.88s Timp de răspuns (total) 207.38s Timp de răspuns (maxim) 47.10s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.4 Programare : 5.6 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 6 Tokenuri de intrare 37,449 Tokenuri de ieșire 1,677 Tokenuri de raționament 116,703 Timp de răspuns (mediu) 38.01s Timp de răspuns (total) 798.15s Timp de răspuns (maxim) 309.02s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 4.2 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#389#389	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 39.1% Teste instabile 0 Tokenuri de intrare 32,639 Tokenuri de ieșire 1,153 Tokenuri de raționament 62,197 Timp de răspuns (mediu) 15.25s Timp de răspuns (total) 182.96s Timp de răspuns (maxim) 43.55s Eroare API: 8 Răspuns greșit: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 8.3 Programare : 1.0 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#392#392	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 50.7% Teste instabile 6 Tokenuri de intrare 28,927 Tokenuri de ieșire 4,682 Tokenuri de raționament 17,969 Timp de răspuns (mediu) 10.33s Timp de răspuns (total) 175.58s Timp de răspuns (maxim) 30.53s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Timp expirat: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 7.3 Programare : 1.0 Combinat : 2.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 7.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 0.0
#395#395	Ling 3.0 Tinydefault	3.8	Inclusionai	$0.000	13.39s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 9.8 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 184,579 Tokenuri de ieșire 110,071 Tokenuri de raționament 0 Timp de răspuns (mediu) 13.39s Timp de răspuns (total) 294.48s Timp de răspuns (maxim) 240.61s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Eroare API: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.8 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 3.1 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0

1 2 18

→

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