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: 2026-07-20 Modele evaluate: 210

210/210

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#68#68	Kimi K2.6medium	7.2	Moonshot AI	$1.036 ↓	109.98s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 9.4 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 68,902 Tokenuri de ieșire 111,680 Tokenuri de raționament 279,860 Timp de răspuns (mediu) 109.98s Timp de răspuns (total) 2309.56s Timp de răspuns (maxim) 876.20s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 7.0 Programare : 5.7 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#44#44	GPT-5.6 Lunahigh	7.7	OpenAI	$1.017	18.68s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 3 Tokenuri de intrare 80,918 Tokenuri de ieșire 5,088 Tokenuri de raționament 150,910 Timp de răspuns (mediu) 18.68s Timp de răspuns (total) 411.05s Timp de răspuns (maxim) 111.09s Răspuns greșit: 7 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#28#28	Inklinghigh	8.0	Thinkingmachines	$1.006	64.16s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 9.8 Rată de trecere pe încercare 77.3% Teste instabile 3 Tokenuri de intrare 86,746 Tokenuri de ieșire 6,055 Tokenuri de raționament 220,791 Timp de răspuns (mediu) 64.16s Timp de răspuns (total) 1411.59s Timp de răspuns (maxim) 327.51s Răspuns greșit: 4 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 8.5 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#3🥉 #3	GPT-5.6 Sollow	9.5	OpenAI	$0.971	8.79s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 86.4% Teste instabile 2 Tokenuri de intrare 78,571 Tokenuri de ieșire 4,476 Tokenuri de raționament 14,770 Timp de răspuns (mediu) 8.79s Timp de răspuns (total) 193.33s Timp de răspuns (maxim) 53.91s Răspuns greșit: 4 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 10.0
#31#31	GLM 5.2high	8.0	Z.ai	$0.970 ↑	62.65s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 3 Tokenuri de intrare 83,813 Tokenuri de ieșire 69,688 Tokenuri de raționament 225,659 Timp de răspuns (mediu) 62.65s Timp de răspuns (total) 1378.34s Timp de răspuns (maxim) 599.43s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#21#21	GPT-5.2medium	8.4	OpenAI	$0.951	22.62s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 4 Tokenuri de intrare 105,004 Tokenuri de ieșire 9,914 Tokenuri de raționament 44,868 Timp de răspuns (mediu) 22.62s Timp de răspuns (total) 339.28s Timp de răspuns (maxim) 102.93s Nu a urmat instrucțiunile: 3 Răspuns greșit: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#20#20	Grok 4.5low	8.4	X AI	$0.935	15.56s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 1 Tokenuri de intrare 125,596 Tokenuri de ieșire 7,505 Tokenuri de raționament 106,446 Timp de răspuns (mediu) 15.56s Timp de răspuns (total) 342.32s Timp de răspuns (maxim) 205.28s Răspuns greșit: 6 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#23#23	Claude Sonnet 5medium	8.3	Anthropic	$0.922	12.52s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 80.3% Teste instabile 3 Tokenuri de intrare 145,956 Tokenuri de ieșire 52,333 Tokenuri de raționament 10,874 Timp de răspuns (mediu) 12.52s Timp de răspuns (total) 275.42s Timp de răspuns (maxim) 66.71s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 9.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#13#13	GPT-5.3-Codexmedium	8.9	OpenAI	$0.920	16.96s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 4 Tokenuri de intrare 81,268 Tokenuri de ieșire 6,251 Tokenuri de raționament 49,274 Timp de răspuns (mediu) 16.96s Timp de răspuns (total) 373.19s Timp de răspuns (maxim) 100.93s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.6 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 2.8
#119#119	Qwen3.5-35B-A3Bmedium	6.2	Qwen	$0.837 ↓	112.47s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 130,388 Tokenuri de ieșire 40,630 Tokenuri de raționament 786,040 Timp de răspuns (mediu) 112.47s Timp de răspuns (total) 2474.28s Timp de răspuns (maxim) 950.25s Timp expirat: 5 Fără răspuns: 2 Răspuns greșit: 2 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 3.8 Parsare și extragere de date : 7.3 Specific domeniului : 4.1 Inteligență generală : 2.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#73#73	Grok 4.3medium	7.1	X AI	$0.779	47.45s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 4 Tokenuri de intrare 140,031 Tokenuri de ieșire 13,739 Tokenuri de raționament 227,682 Timp de răspuns (mediu) 47.45s Timp de răspuns (total) 1043.83s Timp de răspuns (maxim) 216.69s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#99#99	Qwen3.6 27Bmedium	6.5	Qwen	$0.779 ↑	106.32s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 6 Tokenuri de intrare 106,167 Tokenuri de ieșire 32,889 Tokenuri de raționament 241,303 Timp de răspuns (mediu) 106.32s Timp de răspuns (total) 2339.12s Timp de răspuns (maxim) 1085.11s Răspuns greșit: 6 Fără răspuns: 3 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.3 Programare : 7.7 Combinat : 6.7 Parsare și extragere de date : 3.5 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#75#75	Grok 4.20medium	7.1	X AI	$0.777 ↓	29.47s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 102,791 Tokenuri de ieșire 5,363 Tokenuri de raționament 253,977 Timp de răspuns (mediu) 29.47s Timp de răspuns (total) 648.35s Timp de răspuns (maxim) 199.66s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.2 Programare : 6.3 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.9 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#51#51	Nemotron 3 Ultramedium	7.5	NVIDIA	$0.774 ↕	32.21s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 9.8 Rată de trecere pe încercare 68.2% Teste instabile 4 Tokenuri de intrare 233,488 Tokenuri de ieșire 57,916 Tokenuri de raționament 128,062 Timp de răspuns (mediu) 32.21s Timp de răspuns (total) 708.65s Timp de răspuns (maxim) 392.56s Răspuns greșit: 7 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#56#56	GPT-5.4 Minimedium	7.5	OpenAI	$0.756	25.94s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 6 Tokenuri de intrare 97,155 Tokenuri de ieșire 6,211 Tokenuri de raționament 145,544 Timp de răspuns (mediu) 25.94s Timp de răspuns (total) 570.66s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 8.6 Programare : 8.4 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 4.7 Cultură generală : 3.0
#52#52	Kimi K2.7 Codemedium	7.5	Moonshot AI	$0.751 ↓	84.25s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 4 Tokenuri de intrare 72,073 Tokenuri de ieșire 83,714 Tokenuri de raționament 178,793 Timp de răspuns (mediu) 84.25s Timp de răspuns (total) 1769.22s Timp de răspuns (maxim) 365.80s Răspuns greșit: 5 Timp expirat: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.3 Programare : 7.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#131#131	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
Vezi fișa modelului Total teste 18 Teste greșite 4 Fiabilitate N/D Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 35,955 Tokenuri de ieșire 1,647 Tokenuri de raționament 91,565 Timp de răspuns (mediu) 9.75s Timp de răspuns (total) 175.48s Timp de răspuns (maxim) 31.36s Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 0.0
#90#90	Qwen3.6 35B A3Bmedium	6.7	Qwen	$0.746 ↑	58.06s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 1 Tokenuri de intrare 85,139 Tokenuri de ieșire 61,819 Tokenuri de raționament 678,766 Timp de răspuns (mediu) 58.06s Timp de răspuns (total) 1161.18s Timp de răspuns (maxim) 817.57s Răspuns greșit: 4 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#1🥇 #1	Gemini 3 Flash Previewmedium	9.6	Google	$0.742	19.20s
Vezi fișa modelului Total teste 22 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 98.5% Teste instabile 1 Tokenuri de intrare 87,861 Tokenuri de ieșire 5,486 Tokenuri de raționament 227,164 Timp de răspuns (mediu) 19.20s Timp de răspuns (total) 422.42s Timp de răspuns (maxim) 117.26s Răspuns greșit: 1 Trucuri anti-AI : 10.0 Programare : 8.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 10.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#85#85	Qwen3.6 Flashmedium	6.9	Qwen	$0.738 ↓	44.65s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 5 Tokenuri de intrare 129,041 Tokenuri de ieșire 20,026 Tokenuri de raționament 614,312 Timp de răspuns (mediu) 44.65s Timp de răspuns (total) 982.32s Timp de răspuns (maxim) 578.13s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% Teste instabile 3 Tokenuri de intrare 37,007 Tokenuri de ieșire 1,952 Tokenuri de raționament 357,306 Timp de răspuns (mediu) 41.16s Timp de răspuns (total) 823.26s Timp de răspuns (maxim) 299.23s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 10.0 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#39#39	GPT-5.6 Terramedium	7.8	OpenAI	$0.676	7.11s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 2 Tokenuri de intrare 79,175 Tokenuri de ieșire 4,878 Tokenuri de raționament 26,952 Timp de răspuns (mediu) 7.11s Timp de răspuns (total) 156.42s Timp de răspuns (maxim) 41.68s Răspuns greșit: 8 Trucuri anti-AI : 8.3 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#63#63	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	8.12s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 57.6% Teste instabile 1 Tokenuri de intrare 123,264 Tokenuri de ieșire 19,362 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.12s Timp de răspuns (total) 121.78s Timp de răspuns (maxim) 51.18s Răspuns greșit: 5 Formatare suplimentară: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#24#24	Muse Spark 1.1low	8.3	Meta	$0.647	11.45s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 4 Tokenuri de intrare 142,298 Tokenuri de ieșire 10,847 Tokenuri de raționament 99,467 Timp de răspuns (mediu) 11.45s Timp de răspuns (total) 251.92s Timp de răspuns (maxim) 54.15s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.9 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 9.8 Cultură generală : 3.0
#104#104	Gemini 3.1 Flash Lite Previewlow	6.5	Google	$0.646	16.70s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 0 Tokenuri de intrare 110,185 Tokenuri de ieșire 14,717 Tokenuri de raționament 397,483 Timp de răspuns (mediu) 16.70s Timp de răspuns (total) 367.47s Timp de răspuns (maxim) 309.35s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#25#25	Gemini 2.5 Flashmedium	8.2	Google	$0.643	21.18s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 1 Tokenuri de intrare 132,498 Tokenuri de ieșire 12,739 Tokenuri de raționament 228,464 Timp de răspuns (mediu) 21.18s Timp de răspuns (total) 465.89s Timp de răspuns (maxim) 140.50s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.4 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#9#9	Gemini 3.5 Flashmedium	9.1	Google	$0.642	8.20s
Vezi fișa modelului Total teste 22 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 87.9% Teste instabile 1 Tokenuri de intrare 69,747 Tokenuri de ieșire 2,166 Tokenuri de raționament 57,436 Timp de răspuns (mediu) 8.20s Timp de răspuns (total) 180.47s Timp de răspuns (maxim) 76.68s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 7.9 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 10.0
#105#105	Gemini 3.1 Flash Litelow	6.5	Google	$0.621	16.26s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 2 Tokenuri de intrare 94,224 Tokenuri de ieșire 7,759 Tokenuri de raționament 390,126 Timp de răspuns (mediu) 16.26s Timp de răspuns (total) 357.64s Timp de răspuns (maxim) 318.02s Răspuns greșit: 9 Apel de instrument invalid: 1 Trucuri anti-AI : 7.3 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#30#30	GPT-5.2 Chatnone	8.0	OpenAI	$0.604	7.65s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 74.2% Teste instabile 4 Tokenuri de intrare 101,248 Tokenuri de ieșire 30,424 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.65s Timp de răspuns (total) 168.39s Timp de răspuns (maxim) 38.52s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#77#77	Kimi K2.5medium	7.0	Moonshot AI	$0.600 ↑	99.00s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 118,448 Tokenuri de ieșire 62,124 Tokenuri de raționament 165,243 Timp de răspuns (mediu) 99.00s Timp de răspuns (total) 1485.04s Timp de răspuns (maxim) 281.00s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 2 3 4 5 6 7

→

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 UltramediumDisponibil gratuit Gemini 3 Flash PreviewmediumvsNorth Mini CodemediumDisponibil gratuit Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

Clasament AI Benchy

Filtrează modelele

Comparație rapidă