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)
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 23.2% Teste instabile 6 Tokenuri de intrare 232,641 Tokenuri de ieșire 69,335 Tokenuri de raționament 426,182 Timp de răspuns (mediu) 88.24s Timp de răspuns (total) 2029.57s Timp de răspuns (maxim) 814.73s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 9.1 Rată de trecere pe încercare 15.9% Teste instabile 2 Tokenuri de intrare 226,872 Tokenuri de ieșire 133,268 Tokenuri de raționament 0 Timp de răspuns (mediu) 84.66s Timp de răspuns (total) 1947.17s Timp de răspuns (maxim) 747.17s Răspuns greșit: 11 Formatare suplimentară: 4 Timp expirat: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.9 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 8.7 Rată de trecere pe încercare 26.1% Teste instabile 6 Tokenuri de intrare 387,323 Tokenuri de ieșire 48,562 Tokenuri de raționament 410,431 Timp de răspuns (mediu) 110.18s Timp de răspuns (total) 1873.00s Timp de răspuns (maxim) 569.97s Timp expirat: 11 Fără răspuns: 3 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 5.1 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#397#397	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	15.92s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 9.8 Rată de trecere pe încercare 15.9% Teste instabile 2 Tokenuri de intrare 97,418 Tokenuri de ieșire 4,779 Tokenuri de raționament 0 Timp de răspuns (mediu) 15.92s Timp de răspuns (total) 366.20s Timp de răspuns (maxim) 339.57s Răspuns greșit: 16 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.8 Programare : 3.1 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 2.8 Cultură generală : 3.0
#436#436	LFM2-24B-A2Bdefault	1.8	Liquid	$0.001	782ms
Vezi fișa modelului Total teste 16 Teste greșite 14 Fiabilitate N/D Rată de trecere pe încercare 11.6% Teste instabile 1 Tokenuri de intrare 10,771 Tokenuri de ieșire 1,173 Tokenuri de raționament 0 Timp de răspuns (mediu) 782ms Timp de răspuns (total) 10.94s Timp de răspuns (maxim) 3.15s Răspuns greșit: 9 Eroare API: 4 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 2.5 Programare : 0.0 Combinat : 1.5 Parsare și extragere de date : 3.0 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 3.0 Cultură generală : 0.0
#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
#361#361	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 14.5% Teste instabile 3 Tokenuri de intrare 287,445 Tokenuri de ieșire 99,097 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.65s Timp de răspuns (total) 406.05s Timp de răspuns (maxim) 200.52s Răspuns greșit: 18 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 5.4 Trucuri anti-AI : 3.1 Programare : 3.4 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 4.7 Cultură generală : 3.0
#388#388	Mercury 2.5none	4.1	Inception	$0.026	5.10s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 7 Tokenuri de intrare 311,488 Tokenuri de ieșire 89,958 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.10s Timp de răspuns (total) 117.24s Timp de răspuns (maxim) 63.41s Răspuns greșit: 15 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.8 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 4.9 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#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
#396#396	Granite 4.1 8bdefault	3.8	IBM Granite	$0.007	1.38s
Vezi fișa modelului Total teste 23 Teste greșite 21 Fiabilitate 10.0 Rată de trecere pe încercare 8.7% Teste instabile 0 Tokenuri de intrare 113,836 Tokenuri de ieșire 5,996 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.38s Timp de răspuns (total) 31.81s Timp de răspuns (maxim) 16.67s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Eroare API: 1 Formatare suplimentară: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.9 Programare : 4.5 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.6 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#438#438	Microsoft-Decision-1default	1.4	Microsoft	$0.002	982ms
Vezi fișa modelului Total teste 12 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 7.3% Teste instabile 1 Tokenuri de intrare 41,466 Tokenuri de ieșire 69 Tokenuri de raționament 0 Timp de răspuns (mediu) 982ms Timp de răspuns (total) 11.78s Timp de răspuns (maxim) 1.41s Răspuns greșit: 11 Sarcini agentice : 0.0 Trucuri anti-AI : 4.4 Programare : 2.2 Combinat : 0.0 Parsare și extragere de date : 3.0 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
#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
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 0.0% Teste instabile 0 Tokenuri de intrare 118,771 Tokenuri de ieșire 4,127 Tokenuri de raționament 14,668 Timp de răspuns (mediu) 91.72s Timp de răspuns (total) 2109.54s Timp de răspuns (maxim) 112.76s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 5.0 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
#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
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 0.0% Teste instabile 0 Tokenuri de intrare 117,966 Tokenuri de ieșire 5,149 Tokenuri de raționament 23,514 Timp de răspuns (mediu) 89.96s Timp de răspuns (total) 2069.01s Timp de răspuns (maxim) 156.00s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 3.9 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
#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
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
Vezi fișa modelului Total teste 23 Teste greșite 23 Fiabilitate 3.5 Rată de trecere pe încercare 1.5% Teste instabile 1 Tokenuri de intrare 114,874 Tokenuri de ieșire 1,992 Tokenuri de raționament 23,529 Timp de răspuns (mediu) 92.50s Timp de răspuns (total) 2127.40s Timp de răspuns (maxim) 128.54s Eroare API: 22 Răspuns greșit: 1 Sarcini agentice : 2.8 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

←

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