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: 2026-10-17 Modele evaluate: 442

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

442/442

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 4 Tokenuri de intrare 275,080 Tokenuri de ieșire 32,447 Tokenuri de raționament 372,188 Timp de răspuns (mediu) 151.67s Timp de răspuns (total) 3488.43s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.9 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#165#165	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 2 Tokenuri de intrare 283,977 Tokenuri de ieșire 36,422 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.98s Timp de răspuns (total) 229.52s Timp de răspuns (maxim) 124.53s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 4.8 Programare : 5.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.5 Rată de trecere pe încercare 52.2% Teste instabile 4 Tokenuri de intrare 243,381 Tokenuri de ieșire 1,581,325 Tokenuri de raționament 0 Timp de răspuns (mediu) 154.41s Timp de răspuns (total) 3551.40s Timp de răspuns (maxim) 455.72s Fără răspuns: 7 Răspuns greșit: 3 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#194#194	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 46.4% Teste instabile 2 Tokenuri de intrare 291,853 Tokenuri de ieșire 24,116 Tokenuri de raționament 8,327 Timp de răspuns (mediu) 7.46s Timp de răspuns (total) 171.47s Timp de răspuns (maxim) 46.61s Formatare suplimentară: 5 Nu a urmat instrucțiunile: 5 Apel de instrument invalid: 1 Fără răspuns: 1 Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 3.2 Combinat : 7.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#216#216	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 8 Tokenuri de intrare 300,394 Tokenuri de ieșire 14,081 Tokenuri de raționament 500,844 Timp de răspuns (mediu) 51.80s Timp de răspuns (total) 1191.42s Timp de răspuns (maxim) 593.64s Răspuns greșit: 8 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 5.8 Rezolvare de puzzle-uri : 7.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.9 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 262,387 Tokenuri de ieșire 7,344 Tokenuri de raționament 338,881 Timp de răspuns (mediu) 115.00s Timp de răspuns (total) 2645.11s Timp de răspuns (maxim) 560.39s Răspuns greșit: 8 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 5 Tokenuri de intrare 189,300 Tokenuri de ieșire 10,854 Tokenuri de raționament 86,089 Timp de răspuns (mediu) 4.40s Timp de răspuns (total) 96.81s Timp de răspuns (maxim) 34.92s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 6.9 Programare : 8.2 Combinat : 6.7 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
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 60.9% Teste instabile 8 Tokenuri de intrare 292,271 Tokenuri de ieșire 55,025 Tokenuri de raționament 186,071 Timp de răspuns (mediu) 125.76s Timp de răspuns (total) 2137.84s Timp de răspuns (maxim) 566.79s Răspuns greșit: 5 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 7 Tokenuri de intrare 255,887 Tokenuri de ieșire 154,879 Tokenuri de raționament 603,518 Timp de răspuns (mediu) 70.48s Timp de răspuns (total) 1620.93s Timp de răspuns (maxim) 480.52s Răspuns greșit: 9 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.7 Programare : 5.8 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 3.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 6 Tokenuri de intrare 260,850 Tokenuri de ieșire 125,908 Tokenuri de raționament 516,424 Timp de răspuns (mediu) 66.13s Timp de răspuns (total) 1520.96s Timp de răspuns (maxim) 417.36s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 267,840 Tokenuri de ieșire 192,115 Tokenuri de raționament 0 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.28s Timp de răspuns (maxim) 197.32s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 5.2 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 53.6% Teste instabile 5 Tokenuri de intrare 261,842 Tokenuri de ieșire 1,434,621 Tokenuri de raționament 0 Timp de răspuns (mediu) 136.10s Timp de răspuns (total) 3130.27s Timp de răspuns (maxim) 438.09s Fără răspuns: 6 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 6.4 Programare : 2.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 3 Tokenuri de intrare 100,255 Tokenuri de ieșire 6,422 Tokenuri de raționament 49,847 Timp de răspuns (mediu) 6.03s Timp de răspuns (total) 138.65s Timp de răspuns (maxim) 17.26s Răspuns greșit: 6 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 3.0 Cultură generală : 3.0
#280#280	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 3 Tokenuri de intrare 238,785 Tokenuri de ieșire 12,875 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.95s Timp de răspuns (total) 90.76s Timp de răspuns (maxim) 50.03s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 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
#296#296	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
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.7 Rată de trecere pe încercare 58.0% Teste instabile 7 Tokenuri de intrare 261,256 Tokenuri de ieșire 1,425,268 Tokenuri de raționament 0 Timp de răspuns (mediu) 138.27s Timp de răspuns (total) 3180.10s Timp de răspuns (maxim) 436.56s Fără răspuns: 7 Eroare API: 2 Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.4 Trucuri anti-AI : 6.9 Programare : 2.7 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#437#437	Solar Decide Flashdefault	1.7	Upstage	$0.003	1.33s
Vezi fișa modelului Total teste 7 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 47,586 Tokenuri de ieșire 51 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.33s Timp de răspuns (total) 9.32s Timp de răspuns (maxim) 1.66s Răspuns greșit: 4 Sarcini agentice : 0.0 Trucuri anti-AI : 0.8 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.4 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#440#440	Tev1 4B Experimentaldefault	1.0	Togethercomputer	$0.002	498ms
Vezi fișa modelului Total teste 7 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 33,864 Tokenuri de ieșire 96 Tokenuri de raționament 0 Timp de răspuns (mediu) 498ms Timp de răspuns (total) 3.49s Timp de răspuns (maxim) 602ms Răspuns greșit: 4 Sarcini agentice : 0.0 Trucuri anti-AI : 2.5 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 3.0 Specific domeniului : 6.7 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#424#424	Decider V1.2default	2.6	Perplexity	$0.001	517ms
Vezi fișa modelului Total teste 12 Teste greșite 7 Fiabilitate 9.4 Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 48,363 Tokenuri de ieșire 67 Tokenuri de raționament 0 Timp de răspuns (mediu) 517ms Timp de răspuns (total) 6.20s Timp de răspuns (maxim) 776ms Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 5.8 Programare : 4.5 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#303#303	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
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 1 Tokenuri de intrare 361,183 Tokenuri de ieșire 26,609 Tokenuri de raționament 11,139 Timp de răspuns (mediu) 8.03s Timp de răspuns (total) 184.80s Timp de răspuns (maxim) 51.18s Formatare suplimentară: 8 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Fără răspuns: 1 Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 3.4 Combinat : 8.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#228#228	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 5 Tokenuri de intrare 258,956 Tokenuri de ieșire 20,076 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.10s Timp de răspuns (total) 255.39s Timp de răspuns (maxim) 107.19s Răspuns greșit: 12 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 4.0 Programare : 3.9 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 46.4% Teste instabile 3 Tokenuri de intrare 352,516 Tokenuri de ieșire 33,786 Tokenuri de raționament 504,506 Timp de răspuns (mediu) 48.97s Timp de răspuns (total) 1126.35s Timp de răspuns (maxim) 422.72s Răspuns greșit: 10 Apel de instrument invalid: 2 Fără răspuns: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 8 Tokenuri de intrare 363,310 Tokenuri de ieșire 381,919 Tokenuri de raționament 0 Timp de răspuns (mediu) 60.03s Timp de răspuns (total) 1380.67s Timp de răspuns (maxim) 459.99s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.4 Programare : 6.6 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 5.6 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#277#277	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
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 278,866 Tokenuri de ieșire 82,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.66s Timp de răspuns (total) 222.07s Timp de răspuns (maxim) 106.86s Răspuns greșit: 10 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 5.6 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 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 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