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)
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
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 285,293 Tokenuri de ieșire 29,565 Tokenuri de raționament 89,266 Timp de răspuns (mediu) 31.58s Timp de răspuns (total) 536.78s Timp de răspuns (maxim) 203.90s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.7 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 6.4 Specific domeniului : 2.9 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.8 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
#298#298	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 1 Tokenuri de intrare 270,970 Tokenuri de ieșire 15,499 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.28s Timp de răspuns (total) 152.84s Timp de răspuns (maxim) 44.73s Răspuns greșit: 11 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.5 Apelare instrumente : 3.0 Cultură generală : 3.0
#311#311	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 1 Tokenuri de intrare 280,126 Tokenuri de ieșire 17,306 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.55s Timp de răspuns (total) 242.57s Timp de răspuns (maxim) 75.76s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.1% Teste instabile 0 Tokenuri de intrare 281,460 Tokenuri de ieșire 13,791 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.05s Timp de răspuns (total) 116.11s Timp de răspuns (maxim) 47.42s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.0 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
#375#375	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
#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
#370#370	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
#376#376	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
#413#413	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
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 37.7% Teste instabile 2 Tokenuri de intrare 463,872 Tokenuri de ieșire 219,122 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.52s Timp de răspuns (total) 609.94s Timp de răspuns (maxim) 480.96s Răspuns greșit: 14 Apel de instrument invalid: 1 Sarcini agentice : 10.0 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
#244#244	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 3 Tokenuri de intrare 276,199 Tokenuri de ieșire 17,473 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.50s Timp de răspuns (total) 195.60s Timp de răspuns (maxim) 81.77s Răspuns greșit: 13 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 4.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 250,919 Tokenuri de ieșire 20,816 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.71s Timp de răspuns (total) 292.29s Timp de răspuns (maxim) 156.31s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 10.0 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
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 347,980 Tokenuri de ieșire 121,898 Tokenuri de raționament 720,302 Timp de răspuns (mediu) 95.16s Timp de răspuns (total) 2188.74s Timp de răspuns (maxim) 540.96s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.2 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 7 Tokenuri de intrare 319,352 Tokenuri de ieșire 158,447 Tokenuri de raționament 875,524 Timp de răspuns (mediu) 84.01s Timp de răspuns (total) 1932.24s Timp de răspuns (maxim) 525.14s Răspuns greșit: 9 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 6.8 Programare : 7.5 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 5.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#270#270	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.8 Rată de trecere pe încercare 44.9% Teste instabile 5 Tokenuri de intrare 299,984 Tokenuri de ieșire 69,664 Tokenuri de raționament 0 Timp de răspuns (mediu) 18.49s Timp de răspuns (total) 425.33s Timp de răspuns (maxim) 206.05s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 4.8 Programare : 3.9 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#272#272	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 8.9 Rată de trecere pe încercare 37.7% Teste instabile 1 Tokenuri de intrare 259,708 Tokenuri de ieșire 16,567 Tokenuri de raționament 33,580 Timp de răspuns (mediu) 50.47s Timp de răspuns (total) 1160.91s Timp de răspuns (maxim) 557.96s Răspuns greșit: 9 Timp expirat: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 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
#279#279	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 39.1% Teste instabile 3 Tokenuri de intrare 314,113 Tokenuri de ieșire 17,558 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.49s Timp de răspuns (total) 172.19s Timp de răspuns (maxim) 75.99s Răspuns greșit: 14 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.0 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#285#285	Nemotron 3 Ultranone	5.9	NVIDIA	$0.164 ↕	6.76s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 2 Tokenuri de intrare 275,381 Tokenuri de ieșire 11,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.76s Timp de răspuns (total) 155.50s Timp de răspuns (maxim) 70.17s Răspuns greșit: 12 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#287#287	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 3 Tokenuri de intrare 266,004 Tokenuri de ieșire 9,077 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.71s Timp de răspuns (total) 131.36s Timp de răspuns (maxim) 65.25s Răspuns greșit: 14 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 6.1 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#288#288	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 3 Tokenuri de intrare 213,564 Tokenuri de ieșire 7,381 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.11s Timp de răspuns (total) 94.52s Timp de răspuns (maxim) 57.98s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.6 Cultură generală : 3.0
#293#293	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 10 Tokenuri de intrare 314,436 Tokenuri de ieșire 13,578 Tokenuri de raționament 294,343 Timp de răspuns (mediu) 56.55s Timp de răspuns (total) 961.32s Timp de răspuns (maxim) 227.89s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 6.5 Programare : 7.0 Combinat : 6.4 Parsare și extragere de date : 3.7 Specific domeniului : 3.4 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 9 Tokenuri de intrare 208,598 Tokenuri de ieșire 120,583 Tokenuri de raționament 590,044 Timp de răspuns (mediu) 70.32s Timp de răspuns (total) 1617.43s Timp de răspuns (maxim) 459.19s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Formatare suplimentară: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.7 Programare : 4.2 Combinat : 9.9 Parsare și extragere de date : 4.5 Specific domeniului : 3.6 Inteligență generală : 3.8 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#299#299	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 53.6% Teste instabile 10 Tokenuri de intrare 289,086 Tokenuri de ieșire 194,450 Tokenuri de raționament 0 Timp de răspuns (mediu) 30.63s Timp de răspuns (total) 704.47s Timp de răspuns (maxim) 340.88s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Sarcini agentice : 4.7 Trucuri anti-AI : 6.9 Programare : 5.6 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 4.7 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