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)
#377#377	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 6 Tokenuri de intrare 232,641 Tokenuri de ieșire 69,335 Tokenuri de raționament 426,182 Timp de răspuns (mediu) 88.24s Timp de răspuns (total) 2029.57s Timp de răspuns (maxim) 814.73s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#379#379	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
#380#380	Mimo V2 PROdefault	4.6	Xiaomi	$0.045 ↓	2.27s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 3 Tokenuri de intrare 39,344 Tokenuri de ieșire 2,352 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.27s Timp de răspuns (total) 45.50s Timp de răspuns (maxim) 6.58s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Eroare API: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.5 Programare : 5.5 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 : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#381#381	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
#383#383	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 2 Tokenuri de intrare 21,045 Tokenuri de ieșire 63,460 Tokenuri de raționament 0 Timp de răspuns (mediu) 24.56s Timp de răspuns (total) 368.35s Timp de răspuns (maxim) 78.74s Eroare API: 7 Răspuns greșit: 4 Sarcini agentice : 0.0 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#384#384	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 7,608 Tokenuri de ieșire 17,529 Tokenuri de raționament 34,499 Timp de răspuns (mediu) 48.94s Timp de răspuns (total) 831.92s Timp de răspuns (maxim) 143.82s Eroare API: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#385#385	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
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 40,852 Tokenuri de ieșire 3,314 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.44s Timp de răspuns (total) 48.81s Timp de răspuns (maxim) 6.81s Răspuns greșit: 10 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.6 Programare : 4.4 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#387#387	KAT Coder AIR V2.5default	4.4	Kwaipilot	$0.070	11.96s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 7 Tokenuri de intrare 69,376 Tokenuri de ieșire 7,792 Tokenuri de raționament 89,960 Timp de răspuns (mediu) 11.96s Timp de răspuns (total) 275.18s Timp de răspuns (maxim) 121.05s Răspuns greșit: 13 Formatare suplimentară: 3 Eroare API: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 5.3 Programare : 3.3 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#388#388	Trinity Large Previewdefault	4.4	Arcee AI	$0.008 ↑	2.83s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 20.3% Teste instabile 2 Tokenuri de intrare 29,828 Tokenuri de ieșire 2,169 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.83s Timp de răspuns (total) 56.65s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Eroare API: 3 Nu a urmat instrucțiunile: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 3.1 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.5 Respectarea instrucțiunilor : 3.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#390#390	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
#391#391	Mercury 2none	4.4	Inception	$0.033	1.18s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 2 Tokenuri de intrare 100,634 Tokenuri de ieșire 9,609 Tokenuri de raționament 100 Timp de răspuns (mediu) 1.18s Timp de răspuns (total) 27.14s Timp de răspuns (maxim) 9.00s Răspuns greșit: 17 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#395#395	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Vezi fișa modelului Total teste 20 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 3 Tokenuri de intrare 131,652 Tokenuri de ieșire 16,869 Tokenuri de raționament 53,081 Timp de răspuns (mediu) 28.63s Timp de răspuns (total) 486.69s Timp de răspuns (maxim) 140.90s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 6.1 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
#396#396	GLM 5 Turbonone	4.2	Z.ai	$0.047 ↑	2.82s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% 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 Sarcini agentice : 0.0 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
#397#397	Mercury 2.5none	4.1	Inception	$0.026	5.10s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 7 Tokenuri de intrare 311,488 Tokenuri de ieșire 89,958 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.10s Timp de răspuns (total) 117.24s Timp de răspuns (maxim) 63.41s Răspuns greșit: 15 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.8 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 4.9 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#402#402	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 6 Tokenuri de intrare 42,845 Tokenuri de ieșire 2,006 Tokenuri de raționament 96,334 Timp de răspuns (mediu) 23.85s Timp de răspuns (total) 286.16s Timp de răspuns (maxim) 121.79s Nu a urmat instrucțiunile: 4 Răspuns greșit: 4 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 8.7 Programare : 0.8 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#403#403	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 44,969 Tokenuri de ieșire 58,087 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.73s Timp de răspuns (total) 220.93s Timp de răspuns (maxim) 53.14s Eroare API: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#405#405	Granite 4.1 8bdefault	3.8	IBM Granite	$0.007	1.38s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 113,836 Tokenuri de ieșire 5,996 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.38s Timp de răspuns (total) 31.81s Timp de răspuns (maxim) 16.67s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.9 Programare : 4.5 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
#408#408	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 3 Tokenuri de intrare 115,314 Tokenuri de ieșire 133,965 Tokenuri de raționament 816,718 Timp de răspuns (mediu) 72.24s Timp de răspuns (total) 1589.23s Timp de răspuns (maxim) 345.15s Fără răspuns: 7 Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 6.4 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#418#418	Laguna Xs.2medium	3.3	Poolside	$0.015 ↕	6.73s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% 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 Sarcini agentice : 0.0 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
#419#419	Hy3 previewnone	3.3	Tencent	$0.007 ↕	12.92s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% Teste instabile 2 Tokenuri de intrare 27,172 Tokenuri de ieșire 2,661 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.92s Timp de răspuns (total) 232.64s Timp de răspuns (maxim) 35.84s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 2.7 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#422#422	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
Vezi fișa modelului Total teste 19 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 11,793 Tokenuri de ieșire 1,809 Tokenuri de raționament 265,466 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 Sarcini agentice : 0.0 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
#424#424	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 18.8% 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 Sarcini agentice : 0.0 Trucuri anti-AI : 3.2 Programare : 1.8 Combinat : 1.5 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
#425#425	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% 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 Sarcini agentice : 0.0 Trucuri anti-AI : 3.0 Programare : 0.8 Combinat : 1.5 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
#428#428	Span-02default	2.8	Respan	$0.001	1.36s
Vezi fișa modelului Total teste 12 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 0 Tokenuri de intrare 70,626 Tokenuri de ieșire 0 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.36s Timp de răspuns (total) 16.37s Timp de răspuns (maxim) 5.71s Răspuns greșit: 6 Sarcini agentice : 0.0 Trucuri anti-AI : 5.8 Programare : 4.9 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#429#429	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	2.7	NVIDIA	$0.000	17.13s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 5 Tokenuri de intrare 11,661 Tokenuri de ieșire 48,491 Tokenuri de raționament 180,695 Timp de răspuns (mediu) 17.13s Timp de răspuns (total) 222.66s Timp de răspuns (maxim) 147.45s Răspuns greșit: 7 Eroare API: 6 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.4 Programare : 1.1 Combinat : 1.5 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 3.0 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 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