AI BENCHY

Clasament Benchmark AI

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: 2026-06-03 Modele evaluate: 161

161/161

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#153#153	Mercury 2none	4.6	Inception	$0.009	614ms
Vezi fișa modelului Total teste 20 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 25.0% Teste instabile 2 Tokenuri de intrare 25,515 Tokenuri de ieșire 3,001 Tokenuri de raționament 0 Timp de răspuns (mediu) 614ms Timp de răspuns (total) 12.28s Timp de răspuns (maxim) 1.27s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 3.5 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	Mistral Small 4none	5.0	Mistral	$0.007	629ms
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 28.3% Teste instabile 1 Tokenuri de intrare 34,567 Tokenuri de ieșire 2,192 Tokenuri de raționament 0 Timp de răspuns (mediu) 629ms Timp de răspuns (total) 12.59s Timp de răspuns (maxim) 1.72s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 4.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#161#161	Granite 4.1 8Bnone	4.1	IBM Granite	$0.003	719ms
Vezi fișa modelului Total teste 20 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 10.0% Teste instabile 0 Tokenuri de intrare 43,135 Tokenuri de ieșire 2,743 Tokenuri de raționament 0 Timp de răspuns (mediu) 719ms Timp de răspuns (total) 14.37s Timp de răspuns (maxim) 2.17s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 4.9 Programare : 5.2 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.6 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#160#160	Nemotron 3 Nano Omni 30b A3b Reasoningnone	4.1	NVIDIA	$0.000	728ms
Vezi fișa modelului Total teste 19 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 17.5% Teste instabile 2 Tokenuri de intrare 11,661 Tokenuri de ieșire 1,302 Tokenuri de raționament 0 Timp de răspuns (mediu) 728ms Timp de răspuns (total) 9.47s Timp de răspuns (maxim) 2.21s Răspuns greșit: 9 Eroare API: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 3.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#159#159	LFM2-24B-A2Bnone	4.2	Liquid	$0.001	782ms
Vezi fișa modelului Total teste 16 Teste greșite 14 Fiabilitate N/D Rată de trecere pe încercare 16.7% Teste instabile 1 Tokenuri de intrare 10,771 Tokenuri de ieșire 1,173 Tokenuri de raționament 0 Timp de răspuns (mediu) 782ms Timp de răspuns (total) 10.94s Timp de răspuns (maxim) 3.15s Răspuns greșit: 9 Eroare API: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 3.0
#145#145	Laguna Xs.2none	4.8	Poolside	$0.000	806ms
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 26.3% Teste instabile 0 Tokenuri de intrare 33,675 Tokenuri de ieșire 2,826 Tokenuri de raționament 0 Timp de răspuns (mediu) 806ms Timp de răspuns (total) 12.09s Timp de răspuns (maxim) 2.01s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.0 Programare : 2.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#94#94	Gemini 2.5 Flashnone	6.4	Google	$0.015	889ms
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 48.3% Teste instabile 1 Tokenuri de intrare 32,923 Tokenuri de ieșire 1,764 Tokenuri de raționament 0 Timp de răspuns (mediu) 889ms Timp de răspuns (total) 17.79s Timp de răspuns (maxim) 4.39s Răspuns greșit: 11 Trucuri anti-AI : 3.0 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#87#87	Gemini 3.1 Flash Litenone	6.6	Google	$0.013	1.09s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.0% Teste instabile 4 Tokenuri de intrare 33,705 Tokenuri de ieșire 2,478 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.09s Timp de răspuns (total) 21.79s Timp de răspuns (maxim) 2.97s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.5 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 33.3% Teste instabile 0 Tokenuri de intrare 41,313 Tokenuri de ieșire 1,923 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.11s Timp de răspuns (total) 19.96s Timp de răspuns (maxim) 6.04s Răspuns greșit: 10 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0
#142#142	GPT-5.4 Mininone	4.9	OpenAI	$0.036	1.15s
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 31.7% Teste instabile 3 Tokenuri de intrare 31,625 Tokenuri de ieșire 2,508 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.15s Timp de răspuns (total) 23.09s Timp de răspuns (maxim) 2.52s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.1 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#112#112	Grok 4.20 Betanone	5.8	X AI	$0.087 ↓	1.19s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 37.0% Teste instabile 1 Tokenuri de intrare 40,597 Tokenuri de ieșire 1,657 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.19s Timp de răspuns (total) 21.43s Timp de răspuns (maxim) 6.48s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.0 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0
#136#136	Elephant Alphanone	5.1	Openrouter	$0.000	1.22s
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 28.3% Teste instabile 1 Tokenuri de intrare 33,743 Tokenuri de ieșire 2,573 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.22s Timp de răspuns (total) 22.03s Timp de răspuns (maxim) 3.81s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#49#49	Gemini 3.1 Flash Lite Previewnone	7.5	Google	$0.017	1.23s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 1 Tokenuri de intrare 34,579 Tokenuri de ieșire 5,541 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.23s Timp de răspuns (total) 24.68s Timp de răspuns (maxim) 3.39s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 7.5 Programare : 6.8 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
#134#134	Elephant Alphamedium	5.3	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste 20 Teste greșite 14 Fiabilitate N/D Rată de trecere pe încercare 31.7% Teste instabile 1 Tokenuri de intrare 33,744 Tokenuri de ieșire 2,596 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.27s Timp de răspuns (total) 22.82s Timp de răspuns (maxim) 3.70s Răspuns greșit: 9 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 4.0 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#26#26	Qwen3.7 Maxnone	7.9	Qwen	$0.051 ↓	1.30s
Vezi fișa modelului Total teste 20 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 0 Tokenuri de intrare 34,266 Tokenuri de ieșire 1,988 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.30s Timp de răspuns (total) 25.95s Timp de răspuns (maxim) 3.92s Răspuns greșit: 6 Trucuri anti-AI : 6.5 Programare : 6.8 Combinat : 3.0 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
#146#146	GPT-5.4 Nanonone	4.8	OpenAI	$0.010	1.33s
Vezi fișa modelului Total teste 20 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.7% Teste instabile 5 Tokenuri de intrare 31,593 Tokenuri de ieșire 2,769 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.33s Timp de răspuns (total) 26.54s Timp de răspuns (maxim) 3.84s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.5 Programare : 5.4 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#80#80	Gemini 3.1 Flash Liteminimal	6.7	Google	$0.013	1.37s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 56.7% Teste instabile 3 Tokenuri de intrare 33,968 Tokenuri de ieșire 2,481 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.37s Timp de răspuns (total) 27.32s Timp de răspuns (maxim) 4.49s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 8.3 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#121#121	GPT-5.4none	5.6	OpenAI	$0.116	1.45s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 38.3% Teste instabile 2 Tokenuri de intrare 31,593 Tokenuri de ieșire 2,402 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.45s Timp de răspuns (total) 29.00s Timp de răspuns (maxim) 2.95s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.2 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#23#23	Gemini 3.5 Flashminimal	7.9	Google	$0.103	1.58s
Vezi fișa modelului Total teste 20 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 71.7% Teste instabile 1 Tokenuri de intrare 36,844 Tokenuri de ieșire 5,271 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.58s Timp de răspuns (total) 31.55s Timp de răspuns (maxim) 5.51s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 7.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 10.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#156#156	Grok 4.1 Fastnone	4.4	X AI	$0.008 ↓	1.62s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 22.8% Teste instabile 3 Tokenuri de intrare 36,608 Tokenuri de ieșire 1,723 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.62s Timp de răspuns (total) 19.48s Timp de răspuns (maxim) 5.51s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 2.8 Cultură generală : 3.0
#124#124	Qwen3.6 Flashnone	5.5	Qwen	$0.014 ↓	1.65s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 35.0% Teste instabile 0 Tokenuri de intrare 47,969 Tokenuri de ieșire 4,158 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.65s Timp de răspuns (total) 32.91s Timp de răspuns (maxim) 4.60s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.1 Programare : 6.6 Combinat : 3.0 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
#149#149	Qwen3.5-9Bnone	4.7	Qwen	$0.003 ↓	1.68s
Vezi fișa modelului Total teste 20 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% Teste instabile 1 Tokenuri de intrare 45,200 Tokenuri de ieșire 3,943 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.68s Timp de răspuns (total) 33.66s Timp de răspuns (maxim) 5.91s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.1 Programare : 4.4 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#113#113	Qwen3.5-27Bnone	5.8	Qwen	$0.014 ↓	1.69s
Vezi fișa modelului Total teste 20 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 40.0% Teste instabile 2 Tokenuri de intrare 41,637 Tokenuri de ieșire 3,585 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.69s Timp de răspuns (total) 33.82s Timp de răspuns (maxim) 9.39s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 7.3 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#39#39	Gemini 3 Flash Previewnone	7.7	Google	$0.023	1.70s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 2 Tokenuri de intrare 34,008 Tokenuri de ieșire 1,879 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.70s Timp de răspuns (total) 22.05s Timp de răspuns (maxim) 3.56s Răspuns greșit: 7 Trucuri anti-AI : 8.3 Programare : 6.8 Combinat : 4.7 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
#122#122	MiMo-V2.5-Pronone	5.6	Xiaomi	$0.016 ↓	1.84s
Vezi fișa modelului Total teste 20 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 41.7% Teste instabile 4 Tokenuri de intrare 28,962 Tokenuri de ieșire 3,037 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.84s Timp de răspuns (total) 36.79s Timp de răspuns (maxim) 8.32s Răspuns greșit: 10 Nu a urmat instrucțiunile: 4 Trucuri anti-AI : 3.3 Programare : 5.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#143#143	GPT-4o-mininone	4.9	OpenAI	$0.006	1.85s
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 25.0% Teste instabile 0 Tokenuri de intrare 28,896 Tokenuri de ieșire 1,977 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.85s Timp de răspuns (total) 24.00s Timp de răspuns (maxim) 7.58s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 4.8 Programare : 3.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#51#51	Gemini 3.1 Flash Litelow	7.4	Google	$0.026	1.92s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 2 Tokenuri de intrare 33,889 Tokenuri de ieșire 2,726 Tokenuri de raționament 8,951 Timp de răspuns (mediu) 1.92s Timp de răspuns (total) 38.45s Timp de răspuns (maxim) 5.66s Răspuns greșit: 8 Trucuri anti-AI : 7.3 Programare : 6.8 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
#88#88	GPT-5.5none	6.5	OpenAI	$0.217	1.93s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 56.7% Teste instabile 3 Tokenuri de intrare 31,593 Tokenuri de ieșire 1,956 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.93s Timp de răspuns (total) 38.64s Timp de răspuns (maxim) 5.56s Răspuns greșit: 10 Trucuri anti-AI : 6.9 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#141#141	MiMo-V2.5none	5.0	Xiaomi	$0.007 ↓	2.20s
Vezi fișa modelului Total teste 20 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 28.3% Teste instabile 1 Tokenuri de intrare 39,342 Tokenuri de ieșire 2,258 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.20s Timp de răspuns (total) 43.96s Timp de răspuns (maxim) 6.86s Răspuns greșit: 13 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.5 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#89#89	Mercury 2medium	6.5	Inception	$0.055	2.27s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 51.7% Teste instabile 3 Tokenuri de intrare 32,570 Tokenuri de ieșire 4,022 Tokenuri de raționament 58,405 Timp de răspuns (mediu) 2.27s Timp de răspuns (total) 43.20s Timp de răspuns (maxim) 14.63s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 6.9 Programare : 7.2 Combinat : 10.0 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

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă