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: 2026-10-19 Modele evaluate: 451

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

451/451

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#297#297	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 3 Tokenuri de intrare 213,564 Tokenuri de ieșire 7,381 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.11s Timp de răspuns (total) 94.52s Timp de răspuns (maxim) 57.98s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.6 Cultură generală : 3.0
#300#300	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 3 Tokenuri de intrare 113,613 Tokenuri de ieșire 122,706 Tokenuri de raționament 42,325 Timp de răspuns (mediu) 65.52s Timp de răspuns (total) 1376.01s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 7.3 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#301#301	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 8 Tokenuri de intrare 283,116 Tokenuri de ieșire 277,920 Tokenuri de raționament 665,124 Timp de răspuns (mediu) 74.52s Timp de răspuns (total) 1713.90s Timp de răspuns (maxim) 510.21s Răspuns greșit: 10 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 10.0 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
#302#302	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
#303#303	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
#305#305	Seed 2.1 Turbonone	5.7	Bytedance Seed	$0.182	9.65s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 52.2% Teste instabile 3 Tokenuri de intrare 298,242 Tokenuri de ieșire 13,105 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.65s Timp de răspuns (total) 221.91s Timp de răspuns (maxim) 71.45s Răspuns greșit: 12 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 4.5 Combinat : 3.8 Parsare și extragere de date : 7.1 Specific domeniului : 7.7 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#306#306	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
#307#307	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 1 Tokenuri de intrare 270,970 Tokenuri de ieșire 15,499 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.28s Timp de răspuns (total) 152.84s Timp de răspuns (maxim) 44.73s Răspuns greșit: 11 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.5 Apelare instrumente : 3.0 Cultură generală : 3.0
#308#308	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
#309#309	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 219,404 Tokenuri de ieșire 9,372 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.89s Timp de răspuns (total) 89.48s Timp de răspuns (maxim) 43.73s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.2 Programare : 5.5 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
#310#310	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 1 Tokenuri de intrare 305,664 Tokenuri de ieșire 13,249 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.14s Timp de răspuns (total) 187.23s Timp de răspuns (maxim) 69.17s Răspuns greșit: 14 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#312#312	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
#313#313	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 4 Tokenuri de intrare 218,886 Tokenuri de ieșire 135,768 Tokenuri de raționament 0 Timp de răspuns (mediu) 18.31s Timp de răspuns (total) 421.19s Timp de răspuns (maxim) 209.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.4 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#316#316	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 3 Tokenuri de intrare 241,357 Tokenuri de ieșire 64,021 Tokenuri de raționament 1 Timp de răspuns (mediu) 26.34s Timp de răspuns (total) 605.78s Timp de răspuns (maxim) 238.89s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 4.6 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#318#318	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 1 Tokenuri de intrare 39,886 Tokenuri de ieșire 1,890 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.00s Timp de răspuns (total) 138.04s Timp de răspuns (maxim) 118.00s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#320#320	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 1 Tokenuri de intrare 280,126 Tokenuri de ieșire 17,306 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.55s Timp de răspuns (total) 242.57s Timp de răspuns (maxim) 75.76s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#321#321	GLM 5V Turbomedium	5.5	Z.ai	$0.457	23.08s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% 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 Sarcini agentice : 0.0 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
#323#323	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
Vezi fișa modelului Total teste 19 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% 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 Sarcini agentice : 0.0 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
#324#324	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.1% Teste instabile 0 Tokenuri de intrare 281,460 Tokenuri de ieșire 13,791 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.05s Timp de răspuns (total) 116.11s Timp de răspuns (maxim) 47.42s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#327#327	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
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 276,697 Tokenuri de ieșire 75,728 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.20s Timp de răspuns (total) 142.63s Timp de răspuns (maxim) 62.57s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.7 Combinat : 3.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#328#328	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 3 Tokenuri de intrare 139,086 Tokenuri de ieșire 193,584 Tokenuri de raționament 413,546 Timp de răspuns (mediu) 190.48s Timp de răspuns (total) 3238.23s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 10.0 Programare : 2.4 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#330#330	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 27,030 Tokenuri de ieșire 73,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.28s Timp de răspuns (total) 293.12s Timp de răspuns (maxim) 46.04s Eroare API: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 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
#331#331	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 3 Tokenuri de intrare 230,744 Tokenuri de ieșire 8,000 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.78s Timp de răspuns (total) 86.83s Timp de răspuns (maxim) 53.77s Răspuns greșit: 15 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#333#333	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 4 Tokenuri de intrare 275,349 Tokenuri de ieșire 49,377 Tokenuri de raționament 12 Timp de răspuns (mediu) 35.86s Timp de răspuns (total) 609.61s Timp de răspuns (maxim) 321.19s Răspuns greșit: 17 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#335#335	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 3 Tokenuri de intrare 270,072 Tokenuri de ieșire 23,173 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.56s Timp de răspuns (total) 104.80s Timp de răspuns (maxim) 70.79s Răspuns greșit: 14 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 9 10 11 19

→

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