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)
#61#61	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
#57#57	GLM 5V Turbomedium	7.4	Z.ai	$0.407	20.21s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.3% Teste instabile 5 Tokenuri de intrare 42,017 Tokenuri de ieșire 2,334 Tokenuri de raționament 86,653 Timp de răspuns (mediu) 20.21s Timp de răspuns (total) 404.14s Timp de răspuns (maxim) 95.88s Răspuns greșit: 6 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.2 Programare : 6.8 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	GPT-5.4 Minimedium	7.3	OpenAI	$0.486	22.10s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.7% Teste instabile 5 Tokenuri de intrare 31,497 Tokenuri de ieșire 2,160 Tokenuri de raționament 100,548 Timp de răspuns (mediu) 22.10s Timp de răspuns (total) 442.09s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 8.6 Programare : 7.5 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
#63#63	Qwen3.5-35B-A3Bmedium	7.3	Qwen	$0.368 ↓	69.66s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 73.3% Teste instabile 6 Tokenuri de intrare 40,306 Tokenuri de ieșire 31,242 Tokenuri de raționament 330,546 Timp de răspuns (mediu) 69.66s Timp de răspuns (total) 1393.17s Timp de răspuns (maxim) 409.98s Timp expirat: 4 Fără răspuns: 2 Răspuns greșit: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.5 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
#65#65	GPT-5.4 Nanomedium	7.2	OpenAI	$0.099	11.79s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 32,815 Tokenuri de ieșire 2,993 Tokenuri de raționament 70,928 Timp de răspuns (mediu) 11.79s Timp de răspuns (total) 235.81s Timp de răspuns (maxim) 94.06s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 6.8 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#66#66	Step 3.7 Flashhigh	7.2	Stepfun	$0.960	49.43s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 35,763 Tokenuri de ieșire 828,084 Tokenuri de raționament 0 Timp de răspuns (mediu) 49.43s Timp de răspuns (total) 988.58s Timp de răspuns (maxim) 192.75s Răspuns greșit: 6 Fără răspuns: 3 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#67#67	MiniMax M3medium	7.2	Minimax	$0.120	68.44s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 9.6 Rată de trecere pe încercare 65.0% Teste instabile 4 Tokenuri de intrare 43,447 Tokenuri de ieșire 46,884 Tokenuri de raționament 85,935 Timp de răspuns (mediu) 68.44s Timp de răspuns (total) 1300.32s Timp de răspuns (maxim) 431.03s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 5.5 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.5 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#68#68	GPT-5 Minimedium	7.2	OpenAI	$0.149	23.75s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 61.7% Teste instabile 2 Tokenuri de intrare 34,481 Tokenuri de ieșire 6,723 Tokenuri de raționament 63,082 Timp de răspuns (mediu) 23.75s Timp de răspuns (total) 475.03s 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
#69#69	Qwen3.6 Max Previewnone	7.1	Qwen	$0.072 ↓	3.31s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 61.7% Teste instabile 2 Tokenuri de intrare 39,668 Tokenuri de ieșire 4,773 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.31s Timp de răspuns (total) 66.17s Timp de răspuns (maxim) 20.51s Răspuns greșit: 9 Trucuri anti-AI : 5.2 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#70#70	MiMo-V2-Flashmedium	7.1	Xiaomi	$0.040 ↑	20.28s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 37,474 Tokenuri de ieșire 12,458 Tokenuri de raționament 115,182 Timp de răspuns (mediu) 20.28s Timp de răspuns (total) 283.87s 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 : 4.1 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
#71#71	Seed-2.0-Minimedium	7.1	Bytedance Seed	$0.044	80.22s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.0% Teste instabile 2 Tokenuri de intrare 41,904 Tokenuri de ieșire 2,555 Tokenuri de raționament 95,974 Timp de răspuns (mediu) 80.22s Timp de răspuns (total) 1363.72s Timp de răspuns (maxim) 262.83s Timp expirat: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.6 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#72#72	Claude Sonnet 4.6none	7.0	Anthropic	$0.306	5.27s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 58.3% Teste instabile 1 Tokenuri de intrare 54,721 Tokenuri de ieșire 9,450 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.27s Timp de răspuns (total) 68.50s Timp de răspuns (maxim) 23.84s Formatare suplimentară: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 4.8 Programare : 6.8 Combinat : 9.5 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
#73#73	Grok 4.20medium	7.0	X AI	$0.450 ↓	19.08s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 61.7% Teste instabile 3 Tokenuri de intrare 41,511 Tokenuri de ieșire 1,816 Tokenuri de raționament 157,251 Timp de răspuns (mediu) 19.08s Timp de răspuns (total) 381.60s Timp de răspuns (maxim) 105.80s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 8.2 Programare : 4.4 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
#74#74	Ring-2.6-1Tmedium	7.0	Inclusionai	$0.033	61.29s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 3 Tokenuri de intrare 35,892 Tokenuri de ieșire 21,752 Tokenuri de raționament 42,754 Timp de răspuns (mediu) 61.29s Timp de răspuns (total) 1164.50s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 10.0 Programare : 6.5 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.5 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#76#76	Hy3 previewhigh	6.9	Tencent	$0.048	56.57s
Vezi fișa modelului Total teste 20 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 58.3% Teste instabile 2 Tokenuri de intrare 25,987 Tokenuri de ieșire 216,719 Tokenuri de raționament 0 Timp de răspuns (mediu) 56.57s Timp de răspuns (total) 848.59s Timp de răspuns (maxim) 149.94s Eroare API: 6 Răspuns greșit: 3 Trucuri anti-AI : 6.4 Programare : 6.5 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#75#75	Mimo V2 Omnimedium	6.9	Xiaomi	$0.683 ↓	41.16s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 58.3% 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 Formatare suplimentară: 1 Trucuri anti-AI : 10.0 Programare : 3.4 Combinat : 10.0 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
#77#77	DeepSeek V3.2medium	6.8	DeepSeek	$0.033 ↓	53.34s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.3% Teste instabile 6 Tokenuri de intrare 35,744 Tokenuri de ieșire 7,177 Tokenuri de raționament 68,297 Timp de răspuns (mediu) 53.34s Timp de răspuns (total) 1066.71s Timp de răspuns (maxim) 189.03s Răspuns greșit: 5 Eroare API: 2 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.2 Programare : 3.9 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 : 7.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#79#79	Gemma 4 31Bnone	6.7	Google	$0.003 ↓	4.05s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 0 Tokenuri de intrare 17,818 Tokenuri de ieșire 1,398 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.05s Timp de răspuns (total) 72.97s Timp de răspuns (maxim) 26.13s Răspuns greșit: 7 Eroare API: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.5 Apelare instrumente : 3.0 Cultură generală : 3.0
#80#80	Gemini 3.1 Flash Liteminimal	6.7	Google	$0.013	1.37s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 56.7% Teste instabile 3 Tokenuri de intrare 33,968 Tokenuri de ieșire 2,481 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.37s Timp de răspuns (total) 27.32s Timp de răspuns (maxim) 4.49s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 8.3 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#82#82	Qwen3.7 Plusnone	6.6	Qwen	$0.027	2.95s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 0 Tokenuri de intrare 39,669 Tokenuri de ieșire 6,572 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.95s Timp de răspuns (total) 58.96s Timp de răspuns (maxim) 29.38s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 6.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#83#83	Step 3.5 Flashnone	6.6	Stepfun	$0.020	39.03s
Vezi fișa modelului Total teste 12 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 0 Tokenuri de intrare 1,971 Tokenuri de ieșire 64,795 Tokenuri de raționament 0 Timp de răspuns (mediu) 39.03s Timp de răspuns (total) 312.26s Timp de răspuns (maxim) 114.12s Eroare API: 4 Nu a urmat instrucțiunile: 1 Răspuns greșit: 1 Trucuri anti-AI : 10.0 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 10.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#85#85	Hy3 previewlow	6.6	Tencent	$0.015	24.56s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 55.0% Teste instabile 2 Tokenuri de intrare 21,045 Tokenuri de ieșire 63,460 Tokenuri de raționament 0 Timp de răspuns (mediu) 24.56s Timp de răspuns (total) 368.35s Timp de răspuns (maxim) 78.74s Eroare API: 6 Răspuns greșit: 4 Trucuri anti-AI : 8.3 Programare : 6.5 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#88#88	GPT-5.5none	6.5	OpenAI	$0.217	1.93s
Vezi fișa modelului Total teste 20 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 56.7% Teste instabile 3 Tokenuri de intrare 31,593 Tokenuri de ieșire 1,956 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.93s Timp de răspuns (total) 38.64s Timp de răspuns (maxim) 5.56s Răspuns greșit: 10 Trucuri anti-AI : 6.9 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#90#90	Grok 4.1 Fastmedium	6.5	X AI	$0.069 ↑	23.85s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 61.4% Teste instabile 6 Tokenuri de intrare 42,845 Tokenuri de ieșire 2,006 Tokenuri de raționament 96,334 Timp de răspuns (mediu) 23.85s Timp de răspuns (total) 286.16s Timp de răspuns (maxim) 121.79s Nu a urmat instrucțiunile: 4 Răspuns greșit: 4 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 8.7 Programare : 2.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#91#91	Laguna M.1medium	6.4	Poolside	$0.000	14.73s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 52.6% Teste instabile 2 Tokenuri de intrare 44,969 Tokenuri de ieșire 58,087 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.73s Timp de răspuns (total) 220.93s Timp de răspuns (maxim) 53.14s Eroare API: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.5 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#95#95	Qwen3.6 Plus Previewmedium	6.3	Qwen	$0.000	15.25s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 47.4% Teste instabile 0 Tokenuri de intrare 32,639 Tokenuri de ieșire 1,153 Tokenuri de raționament 62,197 Timp de răspuns (mediu) 15.25s Timp de răspuns (total) 182.96s Timp de răspuns (maxim) 43.55s Eroare API: 8 Răspuns greșit: 2 Trucuri anti-AI : 8.3 Programare : 3.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#81#81	Kimi K2.5medium	6.7	Moonshot AI	$0.272 ↓	89.02s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 8 Tokenuri de intrare 31,717 Tokenuri de ieșire 48,374 Tokenuri de raționament 128,473 Timp de răspuns (mediu) 89.02s Timp de răspuns (total) 1157.32s Timp de răspuns (maxim) 281.00s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 7.3 Programare : 4.1 Combinat : 10.0 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
#84#84	Qwen3.6 27Bmedium	6.6	Qwen	$0.380 ↑	57.79s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 58.3% Teste instabile 5 Tokenuri de intrare 36,541 Tokenuri de ieșire 12,981 Tokenuri de raționament 105,822 Timp de răspuns (mediu) 57.79s Timp de răspuns (total) 1155.83s Timp de răspuns (maxim) 168.22s Răspuns greșit: 6 Fără răspuns: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 6.6 Combinat : 7.0 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
#87#87	Gemini 3.1 Flash Litenone	6.6	Google	$0.013	1.09s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.0% Teste instabile 4 Tokenuri de intrare 33,705 Tokenuri de ieșire 2,478 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.09s Timp de răspuns (total) 21.79s Timp de răspuns (maxim) 2.97s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.5 Programare : 6.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#89#89	Mercury 2medium	6.5	Inception	$0.055	2.27s
Vezi fișa modelului Total teste 20 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 51.7% Teste instabile 3 Tokenuri de intrare 32,570 Tokenuri de ieșire 4,022 Tokenuri de raționament 58,405 Timp de răspuns (mediu) 2.27s Timp de răspuns (total) 43.20s Timp de răspuns (maxim) 14.63s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 6.9 Programare : 7.2 Combinat : 10.0 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.4 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