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: 2026-10-19 Modele evaluate: 451

Modele recomandate

GPT-6.1 Sol xhigh Inteligent Rată de trecere pe încercare 97.1% Teste corecte 22 / 23 Scor 9.9/10 Gemini 3.7 Flash low Rapid Timp de răspuns (mediu) 6.24s Total tokenuri de ieșire 38,453 Scor 9.4/10 GPT-6 Luna high Accesibil Preț de intrare $0.100 / 1M Preț de ieșire $0.500 / 1M Preț citire cache $0.010 / 1M Preț scriere cache $0.125 / 1M Scor 7.7/10

451/451

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#106#106	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 287,061 Tokenuri de ieșire 32,056 Tokenuri de raționament 196,607 Timp de răspuns (mediu) 91.29s Timp de răspuns (total) 2099.56s Timp de răspuns (maxim) 416.76s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 5.7 Programare : 6.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.8 Rezolvare de puzzle-uri : 6.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#107#107	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 2 Tokenuri de intrare 437,293 Tokenuri de ieșire 29,102 Tokenuri de raționament 28,876 Timp de răspuns (mediu) 14.12s Timp de răspuns (total) 310.55s Timp de răspuns (maxim) 150.60s Răspuns greșit: 3 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 8.3 Programare : 7.6 Combinat : 10.0 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
#108#108	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 298,794 Tokenuri de ieșire 45,873 Tokenuri de raționament 188,721 Timp de răspuns (mediu) 55.99s Timp de răspuns (total) 1287.87s Timp de răspuns (maxim) 218.13s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#110#110	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 197,896 Tokenuri de ieșire 6,211 Tokenuri de raționament 133,184 Timp de răspuns (mediu) 18.39s Timp de răspuns (total) 422.93s Timp de răspuns (maxim) 111.09s Răspuns greșit: 8 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#112#112	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 4 Tokenuri de intrare 237,088 Tokenuri de ieșire 8,235 Tokenuri de raționament 102,675 Timp de răspuns (mediu) 15.95s Timp de răspuns (total) 366.93s Timp de răspuns (maxim) 94.06s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 6.1 Combinat : 9.9 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
#114#114	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 6 Tokenuri de intrare 342,163 Tokenuri de ieșire 1,518 Tokenuri de raționament 133,777 Timp de răspuns (mediu) 23.66s Timp de răspuns (total) 544.16s Timp de răspuns (maxim) 166.72s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#115#115	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 6 Tokenuri de intrare 176,890 Tokenuri de ieșire 5,688 Tokenuri de raționament 18,525 Timp de răspuns (mediu) 7.58s Timp de răspuns (total) 174.39s Timp de răspuns (maxim) 54.57s Răspuns greșit: 8 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 6.6 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 4.7 Cultură generală : 3.0
#116#116	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 6 Tokenuri de intrare 288,919 Tokenuri de ieșire 17,484 Tokenuri de raționament 617,804 Timp de răspuns (mediu) 114.73s Timp de răspuns (total) 2638.74s Timp de răspuns (maxim) 1026.43s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 6.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#117#117	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 6 Tokenuri de intrare 322,894 Tokenuri de ieșire 8,010 Tokenuri de raționament 394,755 Timp de răspuns (mediu) 43.97s Timp de răspuns (total) 1011.29s Timp de răspuns (maxim) 390.70s Apel de instrument invalid: 2 Fără răspuns: 2 Răspuns greșit: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#118#118	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 1 Tokenuri de intrare 144,676 Tokenuri de ieșire 8,184 Tokenuri de raționament 32,282 Timp de răspuns (mediu) 13.30s Timp de răspuns (total) 305.83s Timp de răspuns (maxim) 40.17s Răspuns greșit: 3 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 10.0 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
#119#119	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 5 Tokenuri de intrare 238,925 Tokenuri de ieșire 7,109 Tokenuri de raționament 177,063 Timp de răspuns (mediu) 29.94s Timp de răspuns (total) 688.57s Timp de răspuns (maxim) 138.75s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.6 Programare : 8.4 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 4.7 Cultură generală : 3.0
#121#121	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 2 Tokenuri de intrare 296,760 Tokenuri de ieșire 4,371 Tokenuri de raționament 92,284 Timp de răspuns (mediu) 11.78s Timp de răspuns (total) 271.03s Timp de răspuns (maxim) 84.47s Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 10.0 Programare : 7.9 Combinat : 10.0 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 : 10.0 Cultură generală : 10.0
#123#123	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 291,988 Tokenuri de ieșire 8,848 Tokenuri de raționament 622,995 Timp de răspuns (mediu) 61.90s Timp de răspuns (total) 1423.67s Timp de răspuns (maxim) 357.28s Răspuns greșit: 6 Fără răspuns: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 5.9 Programare : 7.2 Combinat : 7.1 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#126#126	DeepSeek V4.1 Flash 1017high	7.8	DeepSeek	$0.589	58.56s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 6 Tokenuri de intrare 279,873 Tokenuri de ieșire 7,049 Tokenuri de raționament 904,285 Timp de răspuns (mediu) 58.56s Timp de răspuns (total) 1346.87s Timp de răspuns (maxim) 440.77s Răspuns greșit: 5 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 4.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#127#127	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 3 Tokenuri de intrare 308,369 Tokenuri de ieșire 7,013 Tokenuri de raționament 299,031 Timp de răspuns (mediu) 68.44s Timp de răspuns (total) 1574.14s Timp de răspuns (maxim) 436.38s Răspuns greșit: 6 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 7.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#128#128	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 7 Tokenuri de intrare 219,811 Tokenuri de ieșire 8,811 Tokenuri de raționament 59,671 Timp de răspuns (mediu) 28.38s Timp de răspuns (total) 652.78s Timp de răspuns (maxim) 159.91s Răspuns greșit: 6 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#129#129	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 4 Tokenuri de intrare 319,524 Tokenuri de ieșire 440,835 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.57s Timp de răspuns (total) 611.09s Timp de răspuns (maxim) 152.83s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#130#130	Grok 4.6medium	7.8	X AI	$2.270	74.77s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 4 Tokenuri de intrare 336,351 Tokenuri de ieșire 6,180 Tokenuri de raționament 260,017 Timp de răspuns (mediu) 74.77s Timp de răspuns (total) 1719.73s Timp de răspuns (maxim) 514.35s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#131#131	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 0 Tokenuri de intrare 250,495 Tokenuri de ieșire 76,261 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.80s Timp de răspuns (total) 409.51s Timp de răspuns (maxim) 206.03s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#132#132	Grok 4.5low	7.8	X AI	$1.345	18.14s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 308,068 Tokenuri de ieșire 9,218 Tokenuri de raționament 112,197 Timp de răspuns (mediu) 18.14s Timp de răspuns (total) 417.21s Timp de răspuns (maxim) 205.28s Răspuns greșit: 7 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#133#133	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 8 Tokenuri de intrare 274,189 Tokenuri de ieșire 66,689 Tokenuri de raționament 510,525 Timp de răspuns (mediu) 94.16s Timp de răspuns (total) 2165.72s Timp de răspuns (maxim) 303.26s Răspuns greșit: 5 Fără răspuns: 3 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.2 Programare : 6.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#135#135	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 4 Tokenuri de intrare 229,986 Tokenuri de ieșire 6,037 Tokenuri de raționament 95,550 Timp de răspuns (mediu) 20.37s Timp de răspuns (total) 468.52s Timp de răspuns (maxim) 106.93s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#136#136	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 8 Tokenuri de intrare 281,859 Tokenuri de ieșire 102,526 Tokenuri de raționament 286,217 Timp de răspuns (mediu) 69.87s Timp de răspuns (total) 1607.12s Timp de răspuns (maxim) 451.90s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 7 Tokenuri de intrare 298,334 Tokenuri de ieșire 10,328 Tokenuri de raționament 55,846 Timp de răspuns (mediu) 7.71s Timp de răspuns (total) 177.29s Timp de răspuns (maxim) 47.70s Răspuns greșit: 5 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 6.3 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 6 Tokenuri de intrare 318,058 Tokenuri de ieșire 16,035 Tokenuri de raționament 315,072 Timp de răspuns (mediu) 41.03s Timp de răspuns (total) 943.75s Timp de răspuns (maxim) 394.54s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.7 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.3 Apelare instrumente : 10.0 Cultură generală : 3.0

Tendințe globale ale benchmarkului

Vezi cum echilibrează modelele actuale scorul, costul, viteza, lungimea răspunsului și performanța pe categorii.

Grafice →

Frontiera Pareto: inteligență vs cost

Evoluția celui mai bun scor al companiilor de top

Frontiera Pareto: inteligență vs viteza de răspuns

Frontiera Pareto: scor vs tokenuri de ieșire

Dificultatea categoriilor între modele

Comparație rapidă

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow