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)
#432#432	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
Vezi fișa modelului Total teste 12 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 49,176 Tokenuri de ieșire 69 Tokenuri de raționament 0 Timp de răspuns (mediu) 462ms Timp de răspuns (total) 5.55s Timp de răspuns (maxim) 661ms Răspuns greșit: 9 Sarcini agentice : 0.0 Trucuri anti-AI : 4.0 Programare : 2.2 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#404#404	Elephant Alphadefault	3.6	Openrouter	$0.000	1.22s
Vezi fișa modelului Total teste 21 Teste greșite 16 Fiabilitate N/D Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 33,743 Tokenuri de ieșire 2,573 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.22s Timp de răspuns (total) 22.03s Timp de răspuns (maxim) 3.81s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.6 Programare : 4.2 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
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 403,455 Tokenuri de ieșire 100,227 Tokenuri de raționament 15,364 Timp de răspuns (mediu) 38.64s Timp de răspuns (total) 888.69s Timp de răspuns (maxim) 247.27s Răspuns greșit: 13 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 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
#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
#308#308	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.8 Rată de trecere pe încercare 33.3% Teste instabile 5 Tokenuri de intrare 286,758 Tokenuri de ieșire 85,777 Tokenuri de raționament 0 Timp de răspuns (mediu) 15.75s Timp de răspuns (total) 362.23s Timp de răspuns (maxim) 90.95s Răspuns greșit: 9 Nu a urmat instrucțiunile: 5 Fără răspuns: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.6 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 4.7 Cultură generală : 3.0
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 4 Tokenuri de intrare 275,349 Tokenuri de ieșire 49,377 Tokenuri de raționament 12 Timp de răspuns (mediu) 35.86s Timp de răspuns (total) 609.61s Timp de răspuns (maxim) 321.19s Răspuns greșit: 17 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#326#326	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 3 Tokenuri de intrare 270,072 Tokenuri de ieșire 23,173 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.56s Timp de răspuns (total) 104.80s Timp de răspuns (maxim) 70.79s Răspuns greșit: 14 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#330#330	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
#334#334	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
#335#335	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
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 265,602 Tokenuri de ieșire 10,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.12s Timp de răspuns (total) 71.87s Timp de răspuns (maxim) 45.46s Răspuns greșit: 17 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.4 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#338#338	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 4 Tokenuri de intrare 273,075 Tokenuri de ieșire 17,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.21s Timp de răspuns (total) 142.89s Timp de răspuns (maxim) 53.13s Răspuns greșit: 12 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 44.9% Teste instabile 10 Tokenuri de intrare 277,130 Tokenuri de ieșire 45,188 Tokenuri de raționament 129,163 Timp de răspuns (mediu) 50.32s Timp de răspuns (total) 1107.03s Timp de răspuns (maxim) 198.82s Răspuns greșit: 6 Nu a urmat instrucțiunile: 5 Apel de instrument invalid: 2 Fără răspuns: 2 Timp expirat: 2 Eroare API: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 7.9 Programare : 5.7 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#344#344	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% Teste instabile 0 Tokenuri de intrare 145,180 Tokenuri de ieșire 3,627 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.16s Timp de răspuns (total) 70.70s Timp de răspuns (maxim) 39.99s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 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
#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
#352#352	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 2 Tokenuri de intrare 276,608 Tokenuri de ieșire 17,693 Tokenuri de raționament 16,267 Timp de răspuns (mediu) 9.88s Timp de răspuns (total) 227.24s Timp de răspuns (maxim) 124.23s Răspuns greșit: 14 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#357#357	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 3 Tokenuri de intrare 255,363 Tokenuri de ieșire 27,395 Tokenuri de raționament 0 Timp de răspuns (mediu) 13.04s Timp de răspuns (total) 221.61s Timp de răspuns (maxim) 97.15s Răspuns greșit: 15 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.2 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 2.8 Cultură generală : 3.0
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.8 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 195,780 Tokenuri de ieșire 167,746 Tokenuri de raționament 598,384 Timp de răspuns (mediu) 81.93s Timp de răspuns (total) 1884.31s Timp de răspuns (maxim) 437.11s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 6.9 Programare : 4.4 Combinat : 6.2 Parsare și extragere de date : 3.7 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#369#369	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
#377#377	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.5 Rată de trecere pe încercare 27.5% Teste instabile 3 Tokenuri de intrare 146,361 Tokenuri de ieșire 9,073 Tokenuri de raționament 1 Timp de răspuns (mediu) 7.11s Timp de răspuns (total) 163.46s Timp de răspuns (maxim) 30.51s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Sarcini agentice : 2.8 Trucuri anti-AI : 4.8 Programare : 3.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 4.7 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
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.3 Rată de trecere pe încercare 42.0% Teste instabile 9 Tokenuri de intrare 188,239 Tokenuri de ieșire 27,822 Tokenuri de raționament 262,674 Timp de răspuns (mediu) 102.32s Timp de răspuns (total) 1637.05s Timp de răspuns (maxim) 600.81s Răspuns greșit: 7 Timp expirat: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 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
#403#403	Laguna M.1default	3.6	Poolside	$0.009 ↕	2.89s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 9.8 Rată de trecere pe încercare 26.1% 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 Sarcini agentice : 0.0 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
#420#420	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	2.7	NVIDIA	$0.000	17.13s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% 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 Sarcini agentice : 0.0 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
#410#410	Hy3 previewnone	3.3	Tencent	$0.007 ↕	12.92s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% 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 Sarcini agentice : 0.0 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

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