AI BENCHY

Clasament Benchmark AI

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: 2026-06-04 Modele evaluate: 163

163/163

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#34#34	Qwen3.7 Maxnone	7.7	Qwen	$0.054 ↓	1.30s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 0 Tokenuri de intrare 37,107 Tokenuri de ieșire 1,994 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.30s Timp de răspuns (total) 27.21s Timp de răspuns (maxim) 3.92s Răspuns greșit: 7 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#36#36	Qwen3.5 Plus 2026-04-20medium	7.6	Qwen	$0.317 ↓	46.36s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 42,097 Tokenuri de ieșire 2,280 Tokenuri de raționament 166,613 Timp de răspuns (mediu) 46.36s Timp de răspuns (total) 973.57s Timp de răspuns (maxim) 189.38s Răspuns greșit: 8 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#37#37	Gemma 4 26B A4Bmedium	7.6	Google	$0.045 ↓	63.41s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 69.8% Teste instabile 2 Tokenuri de intrare 40,252 Tokenuri de ieșire 28,000 Tokenuri de raționament 100,490 Timp de răspuns (mediu) 63.41s Timp de răspuns (total) 1268.28s Timp de răspuns (maxim) 369.32s Răspuns greșit: 3 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 10.0 Programare : 2.9 Combinat : 9.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#38#38	Grok 4.3medium	7.6	X AI	$0.614	47.51s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.4% Teste instabile 4 Tokenuri de intrare 44,472 Tokenuri de ieșire 1,981 Tokenuri de raționament 221,382 Timp de răspuns (mediu) 47.51s Timp de răspuns (total) 997.68s Timp de răspuns (maxim) 216.69s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 10.0 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
#39#39	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.4% Teste instabile 5 Tokenuri de intrare 42,362 Tokenuri de ieșire 2,995 Tokenuri de raționament 245,358 Timp de răspuns (mediu) 19.25s Timp de răspuns (total) 404.20s Timp de răspuns (maxim) 122.87s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 10.0 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
#40#40	Gemini 3.1 Flash Lite Previewmedium	7.5	Google	$0.068	3.96s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 0 Tokenuri de intrare 37,786 Tokenuri de ieșire 2,210 Tokenuri de raționament 36,744 Timp de răspuns (mediu) 3.96s Timp de răspuns (total) 83.06s Timp de răspuns (maxim) 14.93s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#42#42	GPT-5.2medium	7.5	OpenAI	$0.548	16.88s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.4% Teste instabile 4 Tokenuri de intrare 33,967 Tokenuri de ieșire 2,901 Tokenuri de raționament 31,932 Timp de răspuns (mediu) 16.88s Timp de răspuns (total) 236.34s Timp de răspuns (maxim) 77.80s 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
#43#43	MiMo-V2.5-Promedium	7.5	Xiaomi	$0.106 ↓	26.13s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 4 Tokenuri de intrare 40,854 Tokenuri de ieșire 5,015 Tokenuri de raționament 97,742 Timp de răspuns (mediu) 26.13s Timp de răspuns (total) 548.65s Timp de răspuns (maxim) 130.77s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#44#44	Gemini 3.1 Flash Litemedium	7.5	Google	$0.071	3.23s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 2 Tokenuri de intrare 36,808 Tokenuri de ieșire 2,254 Tokenuri de raționament 38,300 Timp de răspuns (mediu) 3.23s Timp de răspuns (total) 67.80s Timp de răspuns (maxim) 10.87s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#45#45	GPT-5.4 Minimedium	7.5	OpenAI	$0.526	22.34s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 73.0% Teste instabile 5 Tokenuri de intrare 34,116 Tokenuri de ieșire 2,181 Tokenuri de raționament 108,937 Timp de răspuns (mediu) 22.34s Timp de răspuns (total) 469.20s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 8.6 Programare : 8.4 Combinat : 10.0 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
#46#46	Qwen3.6 35B A3Bmedium	7.4	Qwen	$0.146 ↑	18.08s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.5% Teste instabile 1 Tokenuri de intrare 16,385 Tokenuri de ieșire 19,632 Tokenuri de raționament 130,219 Timp de răspuns (mediu) 18.08s Timp de răspuns (total) 343.61s Timp de răspuns (maxim) 86.11s Răspuns greșit: 4 Eroare API: 2 Nu a urmat instrucțiunile: 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
#47#47	Grok Build 0.1medium	7.4	X AI	$0.927	49.90s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 0 Tokenuri de intrare 44,418 Tokenuri de ieșire 2,782 Tokenuri de raționament 438,018 Timp de răspuns (mediu) 49.90s Timp de răspuns (total) 1047.92s Timp de răspuns (maxim) 252.69s Răspuns greșit: 5 Formatare suplimentară: 3 Trucuri anti-AI : 8.3 Programare : 5.7 Combinat : 10.0 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
#48#48	Gemini 3 Flash Previewnone	7.4	Google	$0.025	1.65s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 37,011 Tokenuri de ieșire 1,885 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.65s Timp de răspuns (total) 23.07s Timp de răspuns (maxim) 3.56s Răspuns greșit: 8 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 4.7 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.4% Teste instabile 5 Tokenuri de intrare 38,926 Tokenuri de ieșire 2,088 Tokenuri de raționament 294,598 Timp de răspuns (mediu) 63.29s Timp de răspuns (total) 1265.85s Timp de răspuns (maxim) 234.29s Răspuns greșit: 4 Timp expirat: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#50#50	Gemini 3.1 Flash Lite Previewlow	7.4	Google	$0.026	2.77s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 0 Tokenuri de intrare 32,715 Tokenuri de ieșire 2,286 Tokenuri de raționament 9,166 Timp de răspuns (mediu) 2.77s Timp de răspuns (total) 58.12s Timp de răspuns (maxim) 11.91s Răspuns greșit: 7 Nu a urmat instrucțiunile: 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
#52#52	Claude Sonnet 4.6medium	7.4	Anthropic	$1.418	17.06s
Vezi fișa modelului Total teste 21 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 2 Tokenuri de intrare 49,112 Tokenuri de ieșire 54,703 Tokenuri de raționament 29,970 Timp de răspuns (mediu) 17.06s Timp de răspuns (total) 221.83s Timp de răspuns (maxim) 46.35s Răspuns greșit: 4 Formatare suplimentară: 3 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#53#53	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
Vezi fișa modelului Total teste 18 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.5% Teste instabile 4 Tokenuri de intrare 29,134 Tokenuri de ieșire 1,984 Tokenuri de raționament 1,355,583 Timp de răspuns (mediu) 61.96s Timp de răspuns (total) 1115.31s Timp de răspuns (maxim) 149.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0
#54#54	GPT-5 Minimedium	7.3	OpenAI	$0.159	23.64s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.5% Teste instabile 2 Tokenuri de intrare 37,100 Tokenuri de ieșire 6,801 Tokenuri de raționament 67,690 Timp de răspuns (mediu) 23.64s Timp de răspuns (total) 496.44s Timp de răspuns (maxim) 88.15s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Timp expirat: 1 Trucuri anti-AI : 7.1 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#56#56	MiMo-V2.5medium	7.3	Xiaomi	$0.063 ↓	27.11s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 69.8% Teste instabile 5 Tokenuri de intrare 41,838 Tokenuri de ieșire 2,827 Tokenuri de raționament 198,898 Timp de răspuns (mediu) 27.11s Timp de răspuns (total) 569.38s Timp de răspuns (maxim) 162.44s Răspuns greșit: 5 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 10.0 Parsare și extragere de date : 2.7 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#57#57	Step 3.7 Flashlow	7.3	Stepfun	$0.341	15.74s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 4 Tokenuri de intrare 40,101 Tokenuri de ieșire 289,325 Tokenuri de raționament 0 Timp de răspuns (mediu) 15.74s Timp de răspuns (total) 330.63s Timp de răspuns (maxim) 124.75s Răspuns greșit: 8 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 3.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#58#58	Gemini 3.1 Flash Lite Previewnone	7.2	Google	$0.018	1.21s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.3% Teste instabile 1 Tokenuri de intrare 37,582 Tokenuri de ieșire 5,547 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.21s Timp de răspuns (total) 25.45s Timp de răspuns (maxim) 3.39s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 7.5 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
#59#59	GLM 5V Turbomedium	7.2	Z.ai	$0.457	23.08s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 6 Tokenuri de intrare 44,615 Tokenuri de ieșire 2,347 Tokenuri de raționament 98,415 Timp de răspuns (mediu) 23.08s Timp de răspuns (total) 484.63s Timp de răspuns (maxim) 95.88s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.2 Programare : 6.0 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 7.0 Cultură generală : 3.0
#60#60	Kimi K2.6medium	7.2	Moonshot AI	$0.891 ↓	71.67s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 3 Tokenuri de intrare 29,450 Tokenuri de ieșire 102,923 Tokenuri de raționament 254,094 Timp de răspuns (mediu) 71.67s Timp de răspuns (total) 1433.36s Timp de răspuns (maxim) 406.78s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 7.0 Programare : 5.7 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 : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#61#61	Gemini 3.1 Flash Litelow	7.2	Google	$0.028	1.89s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 2 Tokenuri de intrare 36,892 Tokenuri de ieșire 2,732 Tokenuri de raționament 9,260 Timp de răspuns (mediu) 1.89s Timp de răspuns (total) 39.62s Timp de răspuns (maxim) 5.66s Răspuns greșit: 9 Trucuri anti-AI : 7.3 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
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 56.7% Teste instabile 1 Tokenuri de intrare 34,431 Tokenuri de ieșire 91,587 Tokenuri de raționament 195,973 Timp de răspuns (mediu) 72.53s Timp de răspuns (total) 1015.47s Timp de răspuns (maxim) 453.94s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 3.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#63#63	GPT-5.3 Chatnone	7.2	OpenAI	$0.433	6.34s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 5 Tokenuri de intrare 34,209 Tokenuri de ieșire 26,617 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.34s Timp de răspuns (total) 133.13s Timp de răspuns (maxim) 18.33s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.7 Programare : 5.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#64#64	MiMo-V2-Flashmedium	7.2	Xiaomi	$0.043 ↑	20.11s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.1% Teste instabile 3 Tokenuri de intrare 40,111 Tokenuri de ieșire 12,476 Tokenuri de raționament 125,039 Timp de răspuns (mediu) 20.11s Timp de răspuns (total) 301.59s Timp de răspuns (maxim) 96.01s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Trucuri anti-AI : 8.1 Programare : 6.0 Combinat : 9.8 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#65#65	Grok 4.20medium	7.1	X AI	$0.609 ↓	27.68s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.5% Teste instabile 3 Tokenuri de intrare 44,433 Tokenuri de ieșire 1,819 Tokenuri de raționament 219,524 Timp de răspuns (mediu) 27.68s Timp de răspuns (total) 581.26s Timp de răspuns (maxim) 199.66s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 8.2 Programare : 6.3 Combinat : 10.0 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
#66#66	Qwen3.5-35B-A3Bmedium	7.1	Qwen	$0.401 ↓	72.57s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.8% Teste instabile 6 Tokenuri de intrare 42,196 Tokenuri de ieșire 40,630 Tokenuri de raționament 353,577 Timp de răspuns (mediu) 72.57s Timp de răspuns (total) 1524.04s Timp de răspuns (maxim) 409.98s Timp expirat: 5 Fără răspuns: 2 Răspuns greșit: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 4.7 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
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 61.9% Teste instabile 2 Tokenuri de intrare 67,104 Tokenuri de ieșire 8,107 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.47s Timp de răspuns (total) 72.90s Timp de răspuns (maxim) 17.73s Răspuns greșit: 4 Formatare suplimentară: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 9.5 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0

←

1 2 3 4 5 6

→

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmediumDisponibil gratuit Gemini 3 Flash PreviewmediumvsCobuddymedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă