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)
#411#411	MiMo-V2-Flashdefault	3.3	Xiaomi	$0.025 ↑	2.76s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 6.7 Rată de trecere pe încercare 23.2% Teste instabile 4 Tokenuri de intrare 36,851 Tokenuri de ieșire 68,882 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.76s Timp de răspuns (total) 46.99s Timp de răspuns (maxim) 19.68s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.2 Programare : 4.3 Combinat : 1.5 Parsare și extragere de date : 2.9 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
#379#379	Trinity Large Previewdefault	4.4	Arcee AI	$0.008 ↑	2.83s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 20.3% Teste instabile 2 Tokenuri de intrare 29,828 Tokenuri de ieșire 2,169 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.83s Timp de răspuns (total) 56.65s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Eroare API: 3 Nu a urmat instrucțiunile: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 3.1 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.5 Respectarea instrucțiunilor : 3.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#327#327	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 6 Tokenuri de intrare 272,479 Tokenuri de ieșire 40,677 Tokenuri de raționament 23,104 Timp de răspuns (mediu) 8.43s Timp de răspuns (total) 176.93s Timp de răspuns (maxim) 65.61s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 4 Tokenuri de intrare 230,291 Tokenuri de ieșire 99,030 Tokenuri de raționament 287,794 Timp de răspuns (mediu) 63.06s Timp de răspuns (total) 1450.31s Timp de răspuns (maxim) 560.31s Răspuns greșit: 14 Apel de instrument invalid: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.4 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.2 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 27.5% Teste instabile 6 Tokenuri de intrare 344,806 Tokenuri de ieșire 177,330 Tokenuri de raționament 453,213 Timp de răspuns (mediu) 113.63s Timp de răspuns (total) 2613.48s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 12 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.6 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#351#351	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 17.4% Teste instabile 0 Tokenuri de intrare 106,423 Tokenuri de ieșire 11,555 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.16s Timp de răspuns (total) 163.24s Timp de răspuns (maxim) 25.72s Răspuns greșit: 12 Eroare API: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 3.0 Cultură generală : 3.0
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.8 Rată de trecere pe încercare 18.8% Teste instabile 1 Tokenuri de intrare 307,670 Tokenuri de ieșire 70,427 Tokenuri de raționament 0 Timp de răspuns (mediu) 37.19s Timp de răspuns (total) 855.27s Timp de răspuns (maxim) 433.02s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 3.9 Trucuri anti-AI : 3.1 Programare : 3.9 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#358#358	Mercury 2.5 Previewdefault	4.7	Inception	$0.023 ↑	7.05s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.9 Rată de trecere pe încercare 29.0% Teste instabile 5 Tokenuri de intrare 250,541 Tokenuri de ieșire 86,367 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.05s Timp de răspuns (total) 162.25s Timp de răspuns (maxim) 84.96s Răspuns greșit: 16 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.8 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 8.9 Rată de trecere pe încercare 17.4% Teste instabile 0 Tokenuri de intrare 177,989 Tokenuri de ieșire 26,954 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.47s Timp de răspuns (total) 677.70s Timp de răspuns (maxim) 159.85s Răspuns greșit: 13 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 9.5 Cultură generală : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 8.2 Rată de trecere pe încercare 37.7% Teste instabile 10 Tokenuri de intrare 282,658 Tokenuri de ieșire 198,563 Tokenuri de raționament 462,804 Timp de răspuns (mediu) 235.35s Timp de răspuns (total) 5413.09s Timp de răspuns (maxim) 685.87s Timp expirat: 10 Răspuns greșit: 7 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 3.8 Combinat : 5.0 Parsare și extragere de date : 3.8 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 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
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 2 Tokenuri de intrare 100,634 Tokenuri de ieșire 9,609 Tokenuri de raționament 100 Timp de răspuns (mediu) 1.18s Timp de răspuns (total) 27.14s Timp de răspuns (maxim) 9.00s Răspuns greșit: 17 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 3.0 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 9.4 Rată de trecere pe încercare 30.4% Teste instabile 8 Tokenuri de intrare 228,711 Tokenuri de ieșire 42,254 Tokenuri de raționament 422,121 Timp de răspuns (mediu) 150.90s Timp de răspuns (total) 2414.33s Timp de răspuns (maxim) 1539.97s Răspuns greșit: 10 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Timp expirat: 2 Sarcini agentice : 3.9 Trucuri anti-AI : 4.7 Programare : 3.2 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 3.5 Inteligență generală : 3.6 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#399#399	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 3 Tokenuri de intrare 115,314 Tokenuri de ieșire 133,965 Tokenuri de raționament 816,718 Timp de răspuns (mediu) 72.24s Timp de răspuns (total) 1589.23s Timp de răspuns (maxim) 345.15s Fără răspuns: 7 Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 6.4 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#400#400	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
#401#401	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
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
Vezi fișa modelului Total teste 12 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 70,125 Tokenuri de ieșire 0 Tokenuri de raționament 0 Timp de răspuns (mediu) 880ms Timp de răspuns (total) 10.56s Timp de răspuns (maxim) 1.31s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.0 Programare : 2.5 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#434#434	D1default	1.9	Liquid	$0.003	508ms
Vezi fișa modelului Total teste 12 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 11.6% Teste instabile 1 Tokenuri de intrare 55,956 Tokenuri de ieșire 0 Tokenuri de raționament 0 Timp de răspuns (mediu) 508ms Timp de răspuns (total) 6.10s Timp de răspuns (maxim) 820ms Răspuns greșit: 10 Sarcini agentice : 0.0 Trucuri anti-AI : 4.0 Programare : 2.2 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#415#415	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 18.8% Teste instabile 3 Tokenuri de intrare 36,608 Tokenuri de ieșire 1,723 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.62s Timp de răspuns (total) 19.48s Timp de răspuns (maxim) 5.51s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Sarcini agentice : 0.0 Trucuri anti-AI : 3.2 Programare : 1.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 2.8 Cultură generală : 3.0
#441#441	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
Vezi fișa modelului Total teste 7 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 4.4% Teste instabile 0 Tokenuri de intrare 103,770 Tokenuri de ieșire 0 Tokenuri de raționament 0 Timp de răspuns (mediu) 363ms Timp de răspuns (total) 2.54s Timp de răspuns (maxim) 1.24s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 2.5 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 3.0 Specific domeniului : 2.0 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 6.5 Rată de trecere pe încercare 21.7% Teste instabile 4 Tokenuri de intrare 162,180 Tokenuri de ieșire 5,030 Tokenuri de raționament 682,447 Timp de răspuns (mediu) 207.21s Timp de răspuns (total) 4765.91s Timp de răspuns (maxim) 597.45s Răspuns greșit: 13 Eroare API: 5 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 6.0 Programare : 5.2 Combinat : 2.9 Parsare și extragere de date : 8.7 Specific domeniului : 4.5 Inteligență generală : 7.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 8 Tokenuri de intrare 465,127 Tokenuri de ieșire 72,309 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.79s Timp de răspuns (total) 179.09s Timp de răspuns (maxim) 121.52s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 5.2 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 4.9 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#343#343	Dots 3 Note Previewdefault	5.0	Dots Studio	$0.000	5.36s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 225,907 Tokenuri de ieșire 22,507 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.36s Timp de răspuns (total) 123.38s Timp de răspuns (maxim) 45.71s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.1 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 6.2 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 185,167 Tokenuri de ieșire 9,430 Tokenuri de raționament 0 Timp de răspuns (mediu) 40.38s Timp de răspuns (total) 928.76s Timp de răspuns (maxim) 95.32s Răspuns greșit: 14 Eroare API: 2 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.3 Programare : 3.8 Combinat : 3.0 Parsare și extragere de date : 8.7 Specific domeniului : 6.8 Inteligență generală : 5.1 Respectarea instrucțiunilor : 7.0 Rezolvare de puzzle-uri : 4.6 Apelare instrumente : 3.0 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

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