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: 2026-07-18 Modele evaluate: 206

206/206

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#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
#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
#32#32	Inklingmedium	8.0	Thinkingmachines	$0.391	16.21s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 9.8 Rată de trecere pe încercare 78.8% Teste instabile 5 Tokenuri de intrare 124,053 Tokenuri de ieșire 12,189 Tokenuri de raționament 53,597 Timp de răspuns (mediu) 16.21s Timp de răspuns (total) 356.54s Timp de răspuns (maxim) 85.12s Răspuns greșit: 4 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.4 Combinat : 7.3 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 : 2.8
#36#36	Qwen3.7 Plusmedium	7.9	Qwen	$0.267 ↓	51.51s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 3 Tokenuri de intrare 115,233 Tokenuri de ieșire 6,162 Tokenuri de raționament 173,267 Timp de răspuns (mediu) 51.51s Timp de răspuns (total) 1133.15s Timp de răspuns (maxim) 315.30s Răspuns greșit: 5 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 6.1 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#37#37	Qwen3.6 Plusmedium	7.8	Qwen	$0.405 ↑	43.12s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 2 Tokenuri de intrare 97,689 Tokenuri de ieșire 6,412 Tokenuri de raționament 184,825 Timp de răspuns (mediu) 43.12s Timp de răspuns (total) 905.53s Timp de răspuns (maxim) 291.55s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 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
#59#59	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.52s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 9.9 Rată de trecere pe încercare 68.2% Teste instabile 0 Tokenuri de intrare 95,983 Tokenuri de ieșire 12,446 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.52s Timp de răspuns (total) 99.52s Timp de răspuns (maxim) 72.30s Răspuns greșit: 7 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 6.5 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
#78#78	Gemini 3.5 Flashnone	7.0	Google	$1.079	9.93s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 74.2% Teste instabile 3 Tokenuri de intrare 13,843 Tokenuri de ieșire 117,518 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.93s Timp de răspuns (total) 178.68s Timp de răspuns (maxim) 64.36s Eroare API: 4 Răspuns greșit: 3 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 2.8
#49#49	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 4 Tokenuri de intrare 35,593 Tokenuri de ieșire 12,245 Tokenuri de raționament 62,277 Timp de răspuns (mediu) 23.00s Timp de răspuns (total) 482.97s Timp de răspuns (maxim) 194.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#97#97	Hy3 previewmedium	6.5	Tencent	$0.018 ↕	16.28s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 0 Tokenuri de intrare 27,030 Tokenuri de ieșire 73,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.28s Timp de răspuns (total) 293.12s Timp de răspuns (maxim) 46.04s Eroare API: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#129#129	Gemini 3 PRO Previewmedium	6.0	Google	$0.385 ↑	9.05s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate N/D Rată de trecere pe încercare 63.6% Teste instabile 0 Tokenuri de intrare 28,848 Tokenuri de ieșire 1,490 Tokenuri de raționament 10,102 Timp de răspuns (mediu) 9.05s Timp de răspuns (total) 90.53s Timp de răspuns (maxim) 26.24s Eroare API: 4 Răspuns greșit: 3 Trucuri anti-AI : 10.0 Programare : 3.0 Combinat : 1.5 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 : 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
#29#29	Step 3.7 Flashmedium	8.0	Stepfun	$0.515	26.37s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 9.9 Rată de trecere pe încercare 72.7% Teste instabile 3 Tokenuri de intrare 114,062 Tokenuri de ieșire 427,572 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.37s Timp de răspuns (total) 580.25s Timp de răspuns (maxim) 152.83s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.7 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
#31#31	GLM 5.2high	8.0	Z.ai	$0.296 ↓	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
#34#34	GPT-5.6 Terrahigh	8.0	OpenAI	$1.055	11.32s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 2 Tokenuri de intrare 81,047 Tokenuri de ieșire 5,055 Tokenuri de raționament 51,736 Timp de răspuns (mediu) 11.32s Timp de răspuns (total) 249.14s Timp de răspuns (maxim) 91.49s Răspuns greșit: 7 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 7.6 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#35#35	Seed-2.0-Litemedium	7.9	Bytedance Seed	$0.234	48.53s
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 129,897 Tokenuri de ieșire 12,533 Tokenuri de raționament 88,047 Timp de răspuns (mediu) 48.53s Timp de răspuns (total) 1067.74s Timp de răspuns (maxim) 254.92s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 8.0 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.0 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
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 106,292 Tokenuri de ieșire 80,748 Tokenuri de raționament 35,117 Timp de răspuns (mediu) 25.91s Timp de răspuns (total) 362.78s Timp de răspuns (maxim) 140.96s 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
#48#48	Grok Build 0.1medium	7.6	X AI	$1.097	52.06s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 0 Tokenuri de intrare 106,751 Tokenuri de ieșire 7,993 Tokenuri de raționament 486,670 Timp de răspuns (mediu) 52.06s Timp de răspuns (total) 1145.27s 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
#50#50	GPT-5.6 Lunamedium	7.6	OpenAI	$0.352	7.28s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 1 Tokenuri de intrare 89,676 Tokenuri de ieșire 5,699 Tokenuri de raționament 37,980 Timp de răspuns (mediu) 7.28s Timp de răspuns (total) 160.27s Timp de răspuns (maxim) 29.85s Răspuns greșit: 8 Trucuri anti-AI : 8.3 Programare : 5.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#57#57	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.437 ↓	89.19s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 4 Tokenuri de intrare 113,560 Tokenuri de ieșire 9,823 Tokenuri de raționament 250,881 Timp de răspuns (mediu) 89.19s Timp de răspuns (total) 1337.92s Timp de răspuns (maxim) 304.85s Răspuns greșit: 4 Timp expirat: 2 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.2 Programare : 6.6 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#71#71	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.046 ↓	64.16s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.2% Teste instabile 4 Tokenuri de intrare 124,771 Tokenuri de ieșire 44,077 Tokenuri de raționament 443,141 Timp de răspuns (mediu) 64.16s Timp de răspuns (total) 1411.60s Timp de răspuns (maxim) 519.30s Răspuns greșit: 5 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#87#87	Gemini 3.5 Flashminimal	6.8	Google	$0.300	2.65s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 1 Tokenuri de intrare 100,753 Tokenuri de ieșire 16,454 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.65s Timp de răspuns (total) 58.27s Timp de răspuns (maxim) 25.26s Răspuns greșit: 5 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 10.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#93#93	Gemma 4 26B A4Bmedium	6.6	Google	$0.082 ↓	103.83s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 9.4 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 77,550 Tokenuri de ieșire 28,036 Tokenuri de raționament 219,491 Timp de răspuns (mediu) 103.83s Timp de răspuns (total) 2180.47s Timp de răspuns (maxim) 912.19s Răspuns greșit: 3 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 2.9 Combinat : 6.3 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
#107#107	Gemma 4 31Bmedium	6.3	Google	$0.107 ↓	75.38s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 2 Tokenuri de intrare 94,992 Tokenuri de ieșire 34,468 Tokenuri de raționament 223,278 Timp de răspuns (mediu) 75.38s Timp de răspuns (total) 1507.52s Timp de răspuns (maxim) 437.40s Eroare API: 2 Timp expirat: 2 Răspuns greșit: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 4.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 3.0 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
#43#43	Claude Opus 4.6medium	7.7	Anthropic	$3.059	34.27s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 3 Tokenuri de intrare 108,615 Tokenuri de ieșire 72,286 Tokenuri de raționament 28,315 Timp de răspuns (mediu) 34.27s Timp de răspuns (total) 513.99s Timp de răspuns (maxim) 151.51s Formatare suplimentară: 5 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.4 Programare : 5.7 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
#45#45	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.042 ↓	49.75s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 5 Tokenuri de intrare 108,392 Tokenuri de ieșire 14,478 Tokenuri de raționament 153,687 Timp de răspuns (mediu) 49.75s Timp de răspuns (total) 1094.41s Timp de răspuns (maxim) 218.13s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 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

←

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