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)
#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
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 4 Tokenuri de intrare 229,986 Tokenuri de ieșire 6,037 Tokenuri de raționament 95,550 Timp de răspuns (mediu) 20.37s Timp de răspuns (total) 468.52s Timp de răspuns (maxim) 106.93s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 1.5% Teste instabile 1 Tokenuri de intrare 114,874 Tokenuri de ieșire 1,992 Tokenuri de raționament 23,529 Timp de răspuns (mediu) 92.50s Timp de răspuns (total) 2127.40s Timp de răspuns (maxim) 128.54s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.0 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.7 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 277,164 Tokenuri de ieșire 1,913 Tokenuri de raționament 168,783 Timp de răspuns (mediu) 40.09s Timp de răspuns (total) 881.89s Timp de răspuns (maxim) 214.63s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.7 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 6 Tokenuri de intrare 318,058 Tokenuri de ieșire 16,035 Tokenuri de raționament 315,072 Timp de răspuns (mediu) 41.03s Timp de răspuns (total) 943.75s Timp de răspuns (maxim) 394.54s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#363#363	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 4 Tokenuri de intrare 311,647 Tokenuri de ieșire 40,395 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.97s Timp de răspuns (total) 305.55s Timp de răspuns (maxim) 151.35s Răspuns greșit: 15 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 6.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#378#378	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
#282#282	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 9.9 Rată de trecere pe încercare 47.8% Teste instabile 4 Tokenuri de intrare 202,069 Tokenuri de ieșire 11,961 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.58s Timp de răspuns (total) 82.24s Timp de răspuns (maxim) 43.82s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.5 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 : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#393#393	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
#365#365	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 4 Tokenuri de intrare 246,687 Tokenuri de ieșire 14,894 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.42s Timp de răspuns (total) 101.75s Timp de răspuns (maxim) 45.38s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 3.9 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
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 58.0% Teste instabile 2 Tokenuri de intrare 150,033 Tokenuri de ieșire 22,347 Tokenuri de raționament 402,143 Timp de răspuns (mediu) 142.76s Timp de răspuns (total) 3283.43s Timp de răspuns (maxim) 491.42s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Formatare suplimentară: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.3 Programare : 5.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 250,329 Tokenuri de ieșire 45,168 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.73s Timp de răspuns (total) 355.09s Timp de răspuns (maxim) 208.38s Răspuns greșit: 15 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.6 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 3 Tokenuri de intrare 212,780 Tokenuri de ieșire 6,849 Tokenuri de raționament 41,137 Timp de răspuns (mediu) 9.64s Timp de răspuns (total) 221.62s Timp de răspuns (maxim) 58.09s Răspuns greșit: 9 Apel de instrument invalid: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 5.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 0.0% Teste instabile 0 Tokenuri de intrare 118,771 Tokenuri de ieșire 4,127 Tokenuri de raționament 14,668 Timp de răspuns (mediu) 91.72s Timp de răspuns (total) 2109.54s Timp de răspuns (maxim) 112.76s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.0 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 7 Tokenuri de intrare 298,334 Tokenuri de ieșire 10,328 Tokenuri de raționament 55,846 Timp de răspuns (mediu) 7.71s Timp de răspuns (total) 177.29s Timp de răspuns (maxim) 47.70s Răspuns greșit: 5 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 6.3 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 7 Tokenuri de intrare 293,775 Tokenuri de ieșire 13,527 Tokenuri de raționament 396,291 Timp de răspuns (mediu) 45.48s Timp de răspuns (total) 1045.97s Timp de răspuns (maxim) 431.47s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#74#74	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 3 Tokenuri de intrare 296,301 Tokenuri de ieșire 10,672 Tokenuri de raționament 50,978 Timp de răspuns (mediu) 7.51s Timp de răspuns (total) 172.74s Timp de răspuns (maxim) 44.43s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 7.9 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#318#318	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
#407#407	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 26.1% 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 Sarcini agentice : 0.0 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
#158#158	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 4 Tokenuri de intrare 225,013 Tokenuri de ieșire 12,197 Tokenuri de raționament 87,143 Timp de răspuns (mediu) 29.11s Timp de răspuns (total) 669.54s Timp de răspuns (maxim) 163.41s Răspuns greșit: 4 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 8.2 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#328#328	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 4 Tokenuri de intrare 81,447 Tokenuri de ieșire 2,715 Tokenuri de raționament 11,971 Timp de răspuns (mediu) 1.99s Timp de răspuns (total) 45.67s Timp de răspuns (maxim) 5.82s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#347#347	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 1 Tokenuri de intrare 94,733 Tokenuri de ieșire 7,087 Tokenuri de raționament 1,683 Timp de răspuns (mediu) 1.45s Timp de răspuns (total) 33.24s Timp de răspuns (maxim) 12.35s Răspuns greșit: 15 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.1 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 4 Tokenuri de intrare 349,876 Tokenuri de ieșire 39,789 Tokenuri de raționament 0 Timp de răspuns (mediu) 27.42s Timp de răspuns (total) 630.70s Timp de răspuns (maxim) 387.15s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Formatare suplimentară: 1 Sarcini agentice : 10.0 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
#367#367	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 0 Tokenuri de intrare 37,100 Tokenuri de ieșire 1,766 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.99s Timp de răspuns (total) 62.74s Timp de răspuns (maxim) 6.51s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 1.5 Parsare și extragere de date : 10.0 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
#321#321	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

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