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: 2026-06-03 Modele evaluate: 161

161/161

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#29#29	GLM 5 Turbomedium	7.9	Z.ai	$0.285 ↑	22.65s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 4 Tokenuri de intrare 32,995 Tokenuri de ieșire 12,228 Tokenuri de raționament 53,503 Timp de răspuns (mediu) 22.65s Timp de răspuns (total) 453.09s 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 : 7.3 Combinat : 10.0 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
#30#30	GPT-5.2 Chatnone	7.9	OpenAI	$0.352	6.82s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 3 Tokenuri de intrare 31,593 Tokenuri de ieșire 21,144 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.82s Timp de răspuns (total) 136.34s Timp de răspuns (maxim) 38.52s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.7 Programare : 8.2 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
#33#33	Grok 4.3medium	7.8	X AI	$0.593	49.23s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 75.0% Teste instabile 4 Tokenuri de intrare 41,532 Tokenuri de ieșire 1,485 Tokenuri de raționament 214,710 Timp de răspuns (mediu) 49.23s Timp de răspuns (total) 984.52s Timp de răspuns (maxim) 216.69s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 10.0 Programare : 7.4 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
#34#34	Qwen3.6 Plusmedium	7.8	Qwen	$0.260 ↑	26.81s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 2 Tokenuri de intrare 38,730 Tokenuri de ieșire 1,833 Tokenuri de raționament 124,782 Timp de răspuns (mediu) 26.81s Timp de răspuns (total) 509.43s Timp de răspuns (maxim) 201.68s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 4.1 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
#35#35	Gemini 3.1 Flash Lite Previewmedium	7.7	Google	$0.063	3.94s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 0 Tokenuri de intrare 34,781 Tokenuri de ieșire 2,204 Tokenuri de raționament 33,657 Timp de răspuns (mediu) 3.94s Timp de răspuns (total) 78.74s Timp de răspuns (maxim) 14.93s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 6.8 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
#36#36	Gemini 3.1 Flash Litemedium	7.7	Google	$0.065	3.18s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 2 Tokenuri de intrare 33,803 Tokenuri de ieșire 2,248 Tokenuri de raționament 35,390 Timp de răspuns (mediu) 3.18s Timp de răspuns (total) 63.55s Timp de răspuns (maxim) 10.87s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 9.1 Programare : 6.8 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
#37#37	Gemini 2.5 Flashmedium	7.7	Google	$0.358	15.57s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 1 Tokenuri de intrare 31,473 Tokenuri de ieșire 1,924 Tokenuri de raționament 137,255 Timp de răspuns (mediu) 15.57s Timp de răspuns (total) 311.47s Timp de răspuns (maxim) 95.48s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.4 Programare : 6.6 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
#38#38	Qwen3.5-122B-A10Bmedium	7.7	Qwen	$0.509 ↓	39.40s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 71.7% Teste instabile 3 Tokenuri de intrare 38,997 Tokenuri de ieșire 26,166 Tokenuri de raționament 213,524 Timp de răspuns (mediu) 39.40s Timp de răspuns (total) 788.00s Timp de răspuns (maxim) 168.16s Răspuns greșit: 5 Timp expirat: 2 Trucuri anti-AI : 10.0 Programare : 4.1 Combinat : 10.0 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
#39#39	Gemini 3 Flash Previewnone	7.7	Google	$0.023	1.70s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 2 Tokenuri de intrare 34,008 Tokenuri de ieșire 1,879 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.70s Timp de răspuns (total) 22.05s Timp de răspuns (maxim) 3.56s Răspuns greșit: 7 Trucuri anti-AI : 8.3 Programare : 6.8 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
#40#40	Grok Build 0.1medium	7.7	X AI	$0.729	42.39s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 0 Tokenuri de intrare 41,496 Tokenuri de ieșire 2,258 Tokenuri de raționament 341,381 Timp de răspuns (mediu) 42.39s Timp de răspuns (total) 847.76s Timp de răspuns (maxim) 252.69s Răspuns greșit: 4 Formatare suplimentară: 3 Trucuri anti-AI : 8.3 Programare : 7.0 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
#44#44	Gemini 3.1 Flash Lite Previewlow	7.6	Google	$0.025	2.85s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 0 Tokenuri de intrare 29,708 Tokenuri de ieșire 2,280 Tokenuri de raționament 8,829 Timp de răspuns (mediu) 2.85s Timp de răspuns (total) 57.08s Timp de răspuns (maxim) 11.91s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.3 Programare : 6.8 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
#47#47	Claude Sonnet 4.6medium	7.6	Anthropic	$1.330	15.81s
Vezi fișa modelului Total teste 20 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 45,947 Tokenuri de ieșire 49,891 Tokenuri de raționament 29,565 Timp de răspuns (mediu) 15.81s Timp de răspuns (total) 189.71s Timp de răspuns (maxim) 46.35s Formatare suplimentară: 3 Răspuns greșit: 3 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 7.2 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
#41#41	Qwen3.6 Flashmedium	7.6	Qwen	$0.272 ↓	18.97s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.7% Teste instabile 4 Tokenuri de intrare 39,527 Tokenuri de ieșire 2,974 Tokenuri de raționament 231,797 Timp de răspuns (mediu) 18.97s Timp de răspuns (total) 379.49s Timp de răspuns (maxim) 122.87s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 5.1 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
#42#42	DeepSeek V4 Flashhigh	7.6	DeepSeek	$0.027 ↓	46.36s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 4 Tokenuri de intrare 37,156 Tokenuri de ieșire 10,302 Tokenuri de raționament 115,740 Timp de răspuns (mediu) 46.36s Timp de răspuns (total) 927.27s Timp de răspuns (maxim) 218.13s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 6.8 Combinat : 10.0 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
#43#43	MiMo-V2.5-Promedium	7.6	Xiaomi	$0.090 ↓	21.79s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 3 Tokenuri de intrare 39,096 Tokenuri de ieșire 5,004 Tokenuri de raționament 80,295 Timp de răspuns (mediu) 21.79s Timp de răspuns (total) 435.79s Timp de răspuns (maxim) 130.77s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 10.0 Programare : 7.0 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
#45#45	Qwen3.5-Flashmedium	7.6	Qwen	$0.074 ↓	63.04s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.0% Teste instabile 5 Tokenuri de intrare 37,036 Tokenuri de ieșire 2,074 Tokenuri de raționament 272,063 Timp de răspuns (mediu) 63.04s Timp de răspuns (total) 1197.71s Timp de răspuns (maxim) 234.29s Timp expirat: 3 Răspuns greșit: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 4.1 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
#46#46	Mimo V2 PROmedium	7.6	Xiaomi	$0.333 ↑	22.16s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 76.7% Teste instabile 5 Tokenuri de intrare 40,961 Tokenuri de ieșire 2,518 Tokenuri de raționament 81,801 Timp de răspuns (mediu) 22.16s Timp de răspuns (total) 443.22s Timp de răspuns (maxim) 136.29s Răspuns greșit: 5 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 7.5 Combinat : 4.7 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#48#48	Qwen3.5 Plus 2026-04-20medium	7.5	Qwen	$0.287 ↓	43.65s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 2 Tokenuri de intrare 39,262 Tokenuri de ieșire 2,259 Tokenuri de raționament 150,249 Timp de răspuns (mediu) 43.65s Timp de răspuns (total) 872.90s Timp de răspuns (maxim) 189.38s Răspuns greșit: 8 Trucuri anti-AI : 10.0 Programare : 4.3 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
#49#49	Gemini 3.1 Flash Lite Previewnone	7.5	Google	$0.017	1.23s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 1 Tokenuri de intrare 34,579 Tokenuri de ieșire 5,541 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.23s Timp de răspuns (total) 24.68s Timp de răspuns (maxim) 3.39s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 7.5 Programare : 6.8 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
#50#50	Kimi K2.6medium	7.4	Moonshot AI	$0.803 ↓	54.03s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 3 Tokenuri de intrare 28,584 Tokenuri de ieșire 102,208 Tokenuri de raționament 229,120 Timp de răspuns (mediu) 54.03s Timp de răspuns (total) 1026.57s Timp de răspuns (maxim) 215.85s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Timp expirat: 2 Fără răspuns: 1 Trucuri anti-AI : 7.0 Programare : 6.8 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
#51#51	Gemini 3.1 Flash Litelow	7.4	Google	$0.026	1.92s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 2 Tokenuri de intrare 33,889 Tokenuri de ieșire 2,726 Tokenuri de raționament 8,951 Timp de răspuns (mediu) 1.92s Timp de răspuns (total) 38.45s Timp de răspuns (maxim) 5.66s Răspuns greșit: 8 Trucuri anti-AI : 7.3 Programare : 6.8 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	GLM 5.1medium	7.4	Z.ai	$0.279 ↓	33.45s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 5.0 Rată de trecere pe încercare 68.3% Teste instabile 3 Tokenuri de intrare 30,397 Tokenuri de ieșire 11,511 Tokenuri de raționament 71,979 Timp de răspuns (mediu) 33.45s Timp de răspuns (total) 635.63s Timp de răspuns (maxim) 172.60s Răspuns greșit: 4 Timp expirat: 2 Eroare API: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 4.6 Combinat : 9.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#53#53	GPT-5.3 Chatnone	7.4	OpenAI	$0.402	6.13s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 4 Tokenuri de intrare 31,590 Tokenuri de ieșire 24,757 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.13s Timp de răspuns (total) 122.61s Timp de răspuns (maxim) 18.33s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.7 Programare : 6.9 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
#54#54	MiMo-V2.5medium	7.4	Xiaomi	$0.052 ↓	20.35s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 4 Tokenuri de intrare 39,201 Tokenuri de ieșire 2,806 Tokenuri de raționament 161,888 Timp de răspuns (mediu) 20.35s Timp de răspuns (total) 406.94s Timp de răspuns (maxim) 97.49s Răspuns greșit: 4 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.9 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
#56#56	Step 3.7 Flashlow	7.4	Stepfun	$0.336	16.06s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 3 Tokenuri de intrare 37,458 Tokenuri de ieșire 285,209 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.06s Timp de răspuns (total) 321.11s Timp de răspuns (maxim) 124.75s Răspuns greșit: 7 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 10.0 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	Qwen3.6 35B A3Bmedium	7.3	Qwen	$0.130 ↑	17.26s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 61.7% Teste instabile 1 Tokenuri de intrare 13,550 Tokenuri de ieșire 18,304 Tokenuri de raționament 115,531 Timp de răspuns (mediu) 17.26s Timp de răspuns (total) 310.65s 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 : 6.6 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
#59#59	GPT-5.2medium	7.3	OpenAI	$0.492	16.50s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 70.0% Teste instabile 4 Tokenuri de intrare 31,348 Tokenuri de ieșire 2,880 Tokenuri de raționament 28,289 Timp de răspuns (mediu) 16.50s Timp de răspuns (total) 214.45s 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
#62#62	Claude Opus 4.8none	7.3	Anthropic	$0.519	3.51s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 65.0% Teste instabile 2 Tokenuri de intrare 63,282 Tokenuri de ieșire 8,098 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.51s Timp de răspuns (total) 70.19s Timp de răspuns (maxim) 17.73s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.5 Programare : 6.8 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
#64#64	Claude Opus 4.6medium	7.2	Anthropic	$1.896	25.45s
Vezi fișa modelului Total teste 20 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 2 Tokenuri de intrare 50,062 Tokenuri de ieșire 42,254 Tokenuri de raționament 23,554 Timp de răspuns (mediu) 25.45s Timp de răspuns (total) 330.91s Timp de răspuns (maxim) 83.40s Formatare suplimentară: 4 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.4 Programare : 7.2 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
#55#55	Step 3.5 Flashmedium	7.4	Stepfun	$0.062 ↑	43.20s
Vezi fișa modelului Total teste 19 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 59.7% Teste instabile 1 Tokenuri de intrare 33,555 Tokenuri de ieșire 90,478 Tokenuri de raționament 173,544 Timp de răspuns (mediu) 43.20s Timp de răspuns (total) 561.54s Timp de răspuns (maxim) 170.45s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 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

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 PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă