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)
#304#304	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.7 Rată de trecere pe încercare 31.9% Teste instabile 2 Tokenuri de intrare 257,872 Tokenuri de ieșire 54,388 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.43s Timp de răspuns (total) 469.88s Timp de răspuns (maxim) 192.80s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.6 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#311#311	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
#314#314	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.7 Rată de trecere pe încercare 43.5% Teste instabile 4 Tokenuri de intrare 251,253 Tokenuri de ieșire 3,892 Tokenuri de raționament 0 Timp de răspuns (mediu) 46.97s Timp de răspuns (total) 1080.29s Timp de răspuns (maxim) 872.07s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 4.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#343#343	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.7 Rată de trecere pe încercare 42.0% Teste instabile 8 Tokenuri de intrare 321,955 Tokenuri de ieșire 41,555 Tokenuri de raționament 94,946 Timp de răspuns (mediu) 12.68s Timp de răspuns (total) 291.66s Timp de răspuns (maxim) 59.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.6 Programare : 4.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 9.6 Rată de trecere pe încercare 95.7% Teste instabile 0 Tokenuri de intrare 181,223 Tokenuri de ieșire 5,707 Tokenuri de raționament 58,909 Timp de răspuns (mediu) 61.63s Timp de răspuns (total) 1417.51s Timp de răspuns (maxim) 960.01s Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#45#45	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 81.2% Teste instabile 5 Tokenuri de intrare 271,242 Tokenuri de ieșire 11,803 Tokenuri de raționament 397,838 Timp de răspuns (mediu) 92.38s Timp de răspuns (total) 2124.67s Timp de răspuns (maxim) 482.30s Eroare API: 2 Răspuns greșit: 2 Formatare suplimentară: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#64#64	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 280,643 Tokenuri de ieșire 7,342 Tokenuri de raționament 437,323 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.34s Timp de răspuns (maxim) 276.31s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#83#83	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 313,881 Tokenuri de ieșire 123,706 Tokenuri de raționament 388,328 Timp de răspuns (mediu) 120.40s Timp de răspuns (total) 2769.16s Timp de răspuns (maxim) 534.21s Răspuns greșit: 5 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.2 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#97#97	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 71.0% Teste instabile 3 Tokenuri de intrare 369,495 Tokenuri de ieșire 172,852 Tokenuri de raționament 476,002 Timp de răspuns (mediu) 88.74s Timp de răspuns (total) 2041.10s Timp de răspuns (maxim) 567.88s Fără răspuns: 4 Răspuns greșit: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 2.8 Cultură generală : 3.0
#102#102	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.6 Rată de trecere pe încercare 81.2% Teste instabile 4 Tokenuri de intrare 227,164 Tokenuri de ieșire 20,029 Tokenuri de raționament 60,991 Timp de răspuns (mediu) 26.88s Timp de răspuns (total) 591.34s Timp de răspuns (maxim) 102.40s Răspuns greșit: 3 Fără răspuns: 2 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#109#109	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 4 Tokenuri de intrare 266,849 Tokenuri de ieșire 8,284 Tokenuri de raționament 363,263 Timp de răspuns (mediu) 28.04s Timp de răspuns (total) 645.03s Timp de răspuns (maxim) 149.84s Răspuns greșit: 7 Eroare API: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#122#122	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 75.4% Teste instabile 4 Tokenuri de intrare 295,642 Tokenuri de ieșire 115,041 Tokenuri de raționament 353,398 Timp de răspuns (mediu) 120.88s Timp de răspuns (total) 2780.16s Timp de răspuns (maxim) 532.28s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#212#212	Grok 4.7high	6.7	X AI	$3.037	122.19s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 9.6 Rată de trecere pe încercare 72.5% Teste instabile 7 Tokenuri de intrare 329,276 Tokenuri de ieșire 8,172 Tokenuri de raționament 479,012 Timp de răspuns (mediu) 122.19s Timp de răspuns (total) 2810.40s Timp de răspuns (maxim) 573.57s Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Răspuns greșit: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 6.0 Combinat : 8.6 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#244#244	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
#279#279	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
#339#339	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 170,517 Tokenuri de ieșire 149,968 Tokenuri de raționament 509,725 Timp de răspuns (mediu) 77.08s Timp de răspuns (total) 1772.78s Timp de răspuns (maxim) 490.99s Răspuns greșit: 11 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 5.5 Programare : 4.4 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#341#341	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 9.6 Rată de trecere pe încercare 66.7% Teste instabile 5 Tokenuri de intrare 40,961 Tokenuri de ieșire 2,518 Tokenuri de raționament 81,801 Timp de răspuns (mediu) 22.16s Timp de răspuns (total) 443.22s Timp de răspuns (maxim) 136.29s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 2.3 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#346#346	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.6 Rată de trecere pe încercare 43.5% Teste instabile 3 Tokenuri de intrare 51,369 Tokenuri de ieșire 8,008 Tokenuri de raționament 58,568 Timp de răspuns (mediu) 8.32s Timp de răspuns (total) 191.40s Timp de răspuns (maxim) 48.19s Răspuns greșit: 10 Eroare API: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#382#382	Ling 2.6 Flashdefault	4.5	Inclusionai	$0.002 ↑	10.21s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.6 Rată de trecere pe încercare 29.0% Teste instabile 2 Tokenuri de intrare 114,384 Tokenuri de ieșire 14,903 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.21s Timp de răspuns (total) 214.31s Timp de răspuns (maxim) 36.03s Răspuns greșit: 9 Eroare API: 3 Apel de instrument invalid: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 6.8 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#409#409	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.6 Rată de trecere pe încercare 18.8% Teste instabile 1 Tokenuri de intrare 99,662 Tokenuri de ieșire 146,555 Tokenuri de raționament 732,977 Timp de răspuns (mediu) 63.15s Timp de răspuns (total) 1389.35s Timp de răspuns (maxim) 252.08s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 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
#410#410	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.6 Rată de trecere pe încercare 23.2% Teste instabile 3 Tokenuri de intrare 103,898 Tokenuri de ieșire 148,304 Tokenuri de raționament 774,972 Timp de răspuns (mediu) 64.99s Timp de răspuns (total) 1429.68s Timp de răspuns (maxim) 262.20s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 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
#68#68	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.5 Rată de trecere pe încercare 78.3% Teste instabile 7 Tokenuri de intrare 298,476 Tokenuri de ieșire 7,762 Tokenuri de raționament 515,918 Timp de răspuns (mediu) 148.11s Timp de răspuns (total) 3406.53s Timp de răspuns (maxim) 904.91s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 2.8
#189#189	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
#315#315	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.5 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 229,346 Tokenuri de ieșire 18,597 Tokenuri de raționament 129,338 Timp de răspuns (mediu) 56.40s Timp de răspuns (total) 1184.46s Timp de răspuns (maxim) 431.98s Răspuns greșit: 6 Eroare API: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.3 Programare : 3.1 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.1 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#378#378	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.5 Rată de trecere pe încercare 40.6% Teste instabile 9 Tokenuri de intrare 207,883 Tokenuri de ieșire 144,718 Tokenuri de raționament 525,897 Timp de răspuns (mediu) 83.19s Timp de răspuns (total) 1913.41s Timp de răspuns (maxim) 597.61s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 6.9 Programare : 4.0 Combinat : 6.3 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 3.6 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