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)
#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
#372#372	Owl Alphadefault	4.6	Openrouter	$0.000	9.88s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 42,283 Tokenuri de ieșire 5,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.88s Timp de răspuns (total) 207.38s Timp de răspuns (maxim) 47.10s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.4 Programare : 5.6 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 6 Tokenuri de intrare 37,449 Tokenuri de ieșire 1,677 Tokenuri de raționament 116,703 Timp de răspuns (mediu) 38.01s Timp de răspuns (total) 798.15s Timp de răspuns (maxim) 309.02s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 4.2 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#389#389	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 39.1% Teste instabile 0 Tokenuri de intrare 32,639 Tokenuri de ieșire 1,153 Tokenuri de raționament 62,197 Timp de răspuns (mediu) 15.25s Timp de răspuns (total) 182.96s Timp de răspuns (maxim) 43.55s Eroare API: 8 Răspuns greșit: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 8.3 Programare : 1.0 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#392#392	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 50.7% Teste instabile 6 Tokenuri de intrare 28,927 Tokenuri de ieșire 4,682 Tokenuri de raționament 17,969 Timp de răspuns (mediu) 10.33s Timp de răspuns (total) 175.58s Timp de răspuns (maxim) 30.53s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Timp expirat: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 7.3 Programare : 1.0 Combinat : 2.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 7.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 0.0
#395#395	Ling 3.0 Tinydefault	3.8	Inclusionai	$0.000	13.39s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 9.8 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 184,579 Tokenuri de ieșire 110,071 Tokenuri de raționament 0 Timp de răspuns (mediu) 13.39s Timp de răspuns (total) 294.48s Timp de răspuns (maxim) 240.61s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Eroare API: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.8 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 3.1 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
Vezi fișa modelului Total teste 23 Teste greșite 22 Fiabilitate 7.3 Rată de trecere pe încercare 26.1% Teste instabile 11 Tokenuri de intrare 98,467 Tokenuri de ieșire 3,385 Tokenuri de raționament 104,595 Timp de răspuns (mediu) 371.69s Timp de răspuns (total) 8548.88s Timp de răspuns (maxim) 971.85s Răspuns greșit: 9 Timp expirat: 6 Eroare API: 4 Nu a urmat instrucțiunile: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 3.8 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.2 Respectarea instrucțiunilor : 4.3 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
#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
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 27.5% Teste instabile 1 Tokenuri de intrare 33,744 Tokenuri de ieșire 2,596 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.27s Timp de răspuns (total) 22.82s Timp de răspuns (maxim) 3.70s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.6 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#406#406	Hunter Alphadefault	3.5	OpenRouter	$0.000	4.70s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 36.2% Teste instabile 4 Tokenuri de intrare 34,329 Tokenuri de ieșire 2,264 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.70s Timp de răspuns (total) 79.86s Timp de răspuns (maxim) 15.17s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Eroare API: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 3.5 Programare : 1.0 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 10.0 Cultură generală : 0.0
#412#412	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 8.8 Rată de trecere pe încercare 7.3% Teste instabile 4 Tokenuri de intrare 153,665 Tokenuri de ieșire 26,540 Tokenuri de raționament 0 Timp de răspuns (mediu) 42.72s Timp de răspuns (total) 982.66s Timp de răspuns (maxim) 634.11s Răspuns greșit: 13 Nu a urmat instrucțiunile: 5 Eroare API: 3 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 3.3 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 4.0 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 4.7 Cultură generală : 3.0
#417#417	Command A+none	3.0	Cohere	$0.000	77.87s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 0.0 Rată de trecere pe încercare 0.0% Teste instabile 0 Tokenuri de intrare 0 Tokenuri de ieșire 0 Tokenuri de raționament 0 Timp de răspuns (mediu) 77.87s Timp de răspuns (total) 1791.03s Timp de răspuns (maxim) 106.37s Eroare API: 23 Sarcini agentice : 3.0 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
#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
#422#422	Nemotron 3 Nano Omni 30b A3b Reasoningdefault	2.6	NVIDIA	$0.000	728ms
Vezi fișa modelului Total teste 19 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 14.5% Teste instabile 2 Tokenuri de intrare 11,661 Tokenuri de ieșire 1,302 Tokenuri de raționament 0 Timp de răspuns (mediu) 728ms Timp de răspuns (total) 9.47s Timp de răspuns (maxim) 2.21s Răspuns greșit: 9 Eroare API: 6 Nu a urmat instrucțiunile: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 3.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0

←

1 17 18

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