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)
#284#284	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 9 Tokenuri de intrare 142,621 Tokenuri de ieșire 20,409 Tokenuri de raționament 251,820 Timp de răspuns (mediu) 69.08s Timp de răspuns (total) 1036.24s Timp de răspuns (maxim) 251.36s Răspuns greșit: 7 Timp expirat: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.9 Programare : 3.4 Combinat : 3.7 Parsare și extragere de date : 4.6 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 7.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#287#287	Laguna M.1none	4.4	Poolside	$0.009 ↕	2.89s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 9.8 Rată de trecere pe încercare 27.3% Teste instabile 3 Tokenuri de intrare 38,147 Tokenuri de ieșire 2,054 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.89s Timp de răspuns (total) 43.28s Timp de răspuns (maxim) 15.42s Răspuns greșit: 10 Eroare API: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 2.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#308#308	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% 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 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
#276#276	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 21.2% Teste instabile 2 Tokenuri de intrare 29,828 Tokenuri de ieșire 2,169 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.98s Timp de răspuns (total) 56.57s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Eroare API: 2 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
#295#295	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% 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 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
#296#296	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 6.7 Rată de trecere pe încercare 24.2% Teste instabile 4 Tokenuri de intrare 36,851 Tokenuri de ieșire 68,882 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.76s Timp de răspuns (total) 46.99s Timp de răspuns (maxim) 19.68s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 3.2 Programare : 4.3 Combinat : 1.5 Parsare și extragere de date : 2.9 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#233#233	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.037 ↓	36.17s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 4 Tokenuri de intrare 240,230 Tokenuri de ieșire 100,726 Tokenuri de raționament 0 Timp de răspuns (mediu) 36.17s Timp de răspuns (total) 795.83s Timp de răspuns (maxim) 247.27s Răspuns greșit: 13 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 4.2 Combinat : 4.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#234#234	Laguna S 2.1medium	5.4	Poolside	$0.053 ↓	58.42s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.2% Teste instabile 3 Tokenuri de intrare 86,647 Tokenuri de ieșire 97,298 Tokenuri de raționament 242,297 Timp de răspuns (mediu) 58.42s Timp de răspuns (total) 1285.26s Timp de răspuns (maxim) 560.31s Răspuns greșit: 13 Apel de instrument invalid: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.2 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#239#239	DeepSeek V4 Flash 0731none	5.4	DeepSeek	$0.011 ↓	20.72s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 4 Tokenuri de intrare 94,566 Tokenuri de ieșire 25,426 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.72s Timp de răspuns (total) 455.81s Timp de răspuns (maxim) 387.15s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Formatare suplimentară: 1 Trucuri anti-AI : 3.4 Programare : 4.3 Combinat : 3.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 9.5 Cultură generală : 3.0
#240#240	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 5 Tokenuri de intrare 208,937 Tokenuri de ieșire 175,588 Tokenuri de raționament 409,276 Timp de răspuns (mediu) 111.60s Timp de răspuns (total) 2455.24s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 11 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.6 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#244#244	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.59s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 18.2% Teste instabile 0 Tokenuri de intrare 106,423 Tokenuri de ieșire 11,555 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.59s Timp de răspuns (total) 163.20s Timp de răspuns (maxim) 25.72s Răspuns greșit: 12 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 3.0 Cultură generală : 3.0
#246#246	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.051 ↓	5.57s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 28.8% Teste instabile 5 Tokenuri de intrare 93,990 Tokenuri de ieșire 45,905 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.57s Timp de răspuns (total) 111.32s Timp de răspuns (maxim) 39.54s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#256#256	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.19s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 19.7% Teste instabile 1 Tokenuri de intrare 144,416 Tokenuri de ieșire 37,484 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.19s Timp de răspuns (total) 422.25s Timp de răspuns (maxim) 382.06s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.1 Programare : 3.9 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
#258#258	North Mini Codenone	5.1	Cohere	$0.000	29.95s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.7 Rată de trecere pe încercare 18.2% Teste instabile 0 Tokenuri de intrare 130,501 Tokenuri de ieșire 26,786 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.95s Timp de răspuns (total) 658.83s Timp de răspuns (maxim) 159.85s Răspuns greșit: 12 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 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
#265#265	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 5 Tokenuri de intrare 130,296 Tokenuri de ieșire 82,585 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.51s Timp de răspuns (total) 77.28s Timp de răspuns (maxim) 60.70s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.8 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#271#271	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 4 Tokenuri de intrare 115,933 Tokenuri de ieșire 13,794 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.56s Timp de răspuns (total) 56.37s Timp de răspuns (maxim) 25.50s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.5 Programare : 4.6 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
#281#281	Mercury 2none	4.7	Inception	$0.030	825ms
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.2% Teste instabile 2 Tokenuri de intrare 89,637 Tokenuri de ieșire 9,584 Tokenuri de raționament 0 Timp de răspuns (mediu) 825ms Timp de răspuns (total) 18.14s Timp de răspuns (maxim) 4.52s Răspuns greșit: 17 Nu a urmat instrucțiunile: 1 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
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 7.6 Rată de trecere pe încercare 39.4% Teste instabile 10 Tokenuri de intrare 43,278 Tokenuri de ieșire 181,083 Tokenuri de raționament 431,132 Timp de răspuns (mediu) 235.89s Timp de răspuns (total) 5189.64s Timp de răspuns (maxim) 685.87s Timp expirat: 10 Răspuns greșit: 6 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 6.9 Programare : 3.8 Combinat : 5.0 Parsare și extragere de date : 3.8 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#289#289	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.6 Rată de trecere pe încercare 31.8% Teste instabile 8 Tokenuri de intrare 79,104 Tokenuri de ieșire 42,254 Tokenuri de raționament 377,280 Timp de răspuns (mediu) 134.34s Timp de răspuns (total) 2015.13s Timp de răspuns (maxim) 1539.97s Răspuns greșit: 9 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Timp expirat: 2 Trucuri anti-AI : 4.7 Programare : 3.2 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 3.5 Inteligență generală : 3.6 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#301#301	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.2% Teste instabile 3 Tokenuri de intrare 115,314 Tokenuri de ieșire 133,965 Tokenuri de raționament 816,718 Timp de răspuns (mediu) 75.68s Timp de răspuns (total) 1589.20s Timp de răspuns (maxim) 345.15s Fără răspuns: 7 Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Apel de instrument invalid: 1 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
#302#302	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 19.7% Teste instabile 1 Tokenuri de intrare 99,662 Tokenuri de ieșire 146,555 Tokenuri de raționament 732,977 Timp de răspuns (mediu) 66.16s Timp de răspuns (total) 1389.33s Timp de răspuns (maxim) 252.08s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.6 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#305#305	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 24.2% Teste instabile 3 Tokenuri de intrare 103,898 Tokenuri de ieșire 148,304 Tokenuri de raționament 774,972 Timp de răspuns (mediu) 68.08s Timp de răspuns (total) 1429.66s Timp de răspuns (maxim) 262.20s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.7 Specific domeniului : 3.0 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#303#303	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 19.7% 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 : 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
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 5.4 Rată de trecere pe încercare 19.7% Teste instabile 3 Tokenuri de intrare 45,154 Tokenuri de ieșire 4,022 Tokenuri de raționament 678,516 Timp de răspuns (mediu) 214.25s Timp de răspuns (total) 4713.56s Timp de răspuns (maxim) 597.45s Eroare API: 14 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.0 Programare : 5.2 Combinat : 2.9 Parsare și extragere de date : 8.7 Specific domeniului : 4.5 Inteligență generală : 7.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#247#247	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 16.7% Teste instabile 1 Tokenuri de intrare 116,155 Tokenuri de ieșire 19,679 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.53s Timp de răspuns (total) 77.68s Timp de răspuns (maxim) 24.48s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 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

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