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)
#225#225	Owl Alphanone	5.6	Openrouter	$0.000	9.88s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% 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 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
#280#280	Cobuddymedium	4.7	Baidu	$0.000	39.90s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 6 Tokenuri de intrare 37,449 Tokenuri de ieșire 1,677 Tokenuri de raționament 116,703 Timp de răspuns (mediu) 39.90s Timp de răspuns (total) 797.98s Timp de răspuns (maxim) 309.02s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 1 Apel de instrument invalid: 1 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
#286#286	Grok 4.20 Betanone	4.4	X AI	$0.087 ↓	1.19s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 30.3% 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 : 1.8 Combinat : 1.5 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 Cultură generală : 0.0
#292#292	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 37.9% Teste instabile 4 Tokenuri de intrare 34,329 Tokenuri de ieșire 2,264 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.70s Timp de răspuns (total) 79.86s Timp de răspuns (maxim) 15.17s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 3.5 Programare : 9.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 10.0 Cultură generală : 0.0
#293#293	Grok 4.20none	4.1	X AI	$0.057 ↓	1.11s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 27.3% 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 : 1.1 Combinat : 1.5 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 Cultură generală : 0.0
#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
#185#185	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 2 Tokenuri de intrare 218,740 Tokenuri de ieșire 90,507 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.05s Timp de răspuns (total) 221.13s Timp de răspuns (maxim) 186.24s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.0 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#190#190	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 1 Tokenuri de intrare 139,797 Tokenuri de ieșire 30,947 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.73s Timp de răspuns (total) 81.95s Timp de răspuns (maxim) 48.79s Răspuns greșit: 12 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.1 Programare : 5.4 Combinat : 3.8 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
#200#200	Qwen3.5-Flashnone	6.0	Qwen	$0.073 ↓	25.28s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 2 Tokenuri de intrare 282,356 Tokenuri de ieșire 209,201 Tokenuri de raționament 0 Timp de răspuns (mediu) 25.28s Timp de răspuns (total) 556.14s Timp de răspuns (maxim) 480.96s Răspuns greșit: 14 Apel de instrument invalid: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#209#209	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 2 Tokenuri de intrare 108,641 Tokenuri de ieșire 8,339 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.08s Timp de răspuns (total) 45.75s Timp de răspuns (maxim) 15.63s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 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
#210#210	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 130,863 Tokenuri de ieșire 11,912 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.37s Timp de răspuns (total) 118.06s Timp de răspuns (maxim) 64.67s Răspuns greșit: 14 Fără răspuns: 1 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
#220#220	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 9.8 Rată de trecere pe încercare 42.4% Teste instabile 5 Tokenuri de intrare 50,423 Tokenuri de ieșire 4,144 Tokenuri de raționament 110,510 Timp de răspuns (mediu) 15.87s Timp de răspuns (total) 349.16s Timp de răspuns (maxim) 118.35s Răspuns greșit: 9 Eroare API: 3 Formatare suplimentară: 3 Trucuri anti-AI : 6.9 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#229#229	Qwen3.6 27Bnone	5.5	Qwen	$0.116 ↑	10.62s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 6 Tokenuri de intrare 95,805 Tokenuri de ieșire 16,156 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.62s Timp de răspuns (total) 233.68s Timp de răspuns (maxim) 156.31s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.8 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 7.3 Specific domeniului : 7.7 Inteligență generală : 5.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.5 Cultură generală : 3.0
#235#235	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.046	10.63s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 9.9 Rată de trecere pe încercare 43.9% Teste instabile 6 Tokenuri de intrare 61,094 Tokenuri de ieșire 6,532 Tokenuri de raționament 53,882 Timp de răspuns (mediu) 10.63s Timp de răspuns (total) 233.77s Timp de răspuns (maxim) 86.23s Răspuns greșit: 7 Formatare suplimentară: 4 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 7.3 Programare : 3.5 Combinat : 6.4 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#249#249	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 8.7 Rată de trecere pe încercare 34.9% Teste instabile 1 Tokenuri de intrare 52,909 Tokenuri de ieșire 7,058 Tokenuri de raționament 12,272 Timp de răspuns (mediu) 45.97s Timp de răspuns (total) 1011.42s Timp de răspuns (maxim) 557.96s Răspuns greșit: 9 Timp expirat: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.4 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#253#253	Granite 4.2 8Blow	5.1	IBM Granite	$0.012	54.36s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 9.0 Rată de trecere pe încercare 31.8% Teste instabile 0 Tokenuri de intrare 74,721 Tokenuri de ieșire 9,205 Tokenuri de raționament 18,723 Timp de răspuns (mediu) 54.36s Timp de răspuns (total) 1195.97s Timp de răspuns (maxim) 566.80s Răspuns greșit: 10 Timp expirat: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#294#294	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 6 Tokenuri de intrare 39,481 Tokenuri de ieșire 54,218 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.73s Timp de răspuns (total) 100.98s Timp de răspuns (maxim) 29.11s Răspuns greșit: 6 Eroare API: 4 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 2.1 Combinat : 1.5 Parsare și extragere de date : 7.1 Specific domeniului : 4.1 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 4.7 Cultură generală : 3.0
#307#307	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 9,081 Tokenuri de ieșire 51,664 Tokenuri de raționament 0 Timp de răspuns (mediu) 21.61s Timp de răspuns (total) 345.79s Timp de răspuns (maxim) 113.71s Răspuns greșit: 8 Eroare API: 3 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#257#257	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 32,525 Tokenuri de ieșire 1,815 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.82s Timp de răspuns (total) 59.29s Timp de răspuns (maxim) 8.21s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#290#290	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 28.8% 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: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 3.7 Combinat : 1.5 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
#201#201	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.142 ↑	12.73s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 4 Tokenuri de intrare 134,530 Tokenuri de ieșire 86,616 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.73s Timp de răspuns (total) 279.97s Timp de răspuns (maxim) 209.15s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 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
#207#207	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.58s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.8% Teste instabile 2 Tokenuri de intrare 79,076 Tokenuri de ieșire 7,898 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.58s Timp de răspuns (total) 34.86s Timp de răspuns (maxim) 9.92s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 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
#215#215	Ling-3.0-flashnone	5.7	Inclusionai	$0.004 ↕	3.56s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 0 Tokenuri de intrare 123,993 Tokenuri de ieșire 12,777 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.56s Timp de răspuns (total) 74.74s Timp de răspuns (maxim) 17.51s Răspuns greșit: 13 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 5.5 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 : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#217#217	Kimi K2.6none	5.7	Moonshot AI	$0.233 ↑	19.57s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 116,983 Tokenuri de ieșire 30,249 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.57s Timp de răspuns (total) 430.58s Timp de răspuns (maxim) 238.89s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 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
#218#218	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.283 ↑	12.93s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 241,575 Tokenuri de ieșire 88,459 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.93s Timp de răspuns (total) 284.39s Timp de răspuns (maxim) 212.63s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 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

←

1 9 10 11 13

→

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