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: 2026-04-24 Modele evaluate: 115

115/115

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#91#91	DeepSeek V4 Flashnone	5.3	DeepSeek	$0.008	29.39s
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 33.3% Teste instabile: 2 Tokenuri de ieșire: 4,444 Tokenuri de raționament: 0 Timp de răspuns: medie 29.39s · total 529.10s · maxim 111.96s Răspuns greșit: 8 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.0 Programare : 6.3 Combinat : 4.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0
#92#92	Grok 4.20 Betanone	5.3	X AI	$0.091	1.19s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 29.6% Teste instabile: 2 Tokenuri de ieșire: 1,591 Tokenuri de raționament: 0 Timp de răspuns: medie 1.19s · total 21.37s · maxim 6.48s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 4.0 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0
#93#93	MiniMax M2.7medium	5.3	Minimax	$0.091	31.08s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 51.9% Teste instabile: 10 Tokenuri de ieșire: 4,984 Tokenuri de raționament: 62,787 Timp de răspuns: medie 31.08s · total 528.37s · maxim 117.04s Nu a urmat instrucțiunile: 6 Răspuns greșit: 5 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.9 Programare : 10.0 Combinat : 4.7 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 3.7 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 4.7
#94#94	Elephant Alphamedium	5.2	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 29.6% Teste instabile: 1 Tokenuri de ieșire: 2,596 Tokenuri de raționament: 0 Timp de răspuns: medie 1.27s · total 22.82s · maxim 3.70s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 5.1 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 3.0
#95#95	Grok 4.20none	5.2	X AI	$0.095	1.11s
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 29.6% Teste instabile: 1 Tokenuri de ieșire: 1,967 Tokenuri de raționament: 0 Timp de răspuns: medie 1.11s · total 20.02s · maxim 6.04s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0
#96#96	Mistral Small 4none	5.2	Mistral	$0.006	665ms
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 31.5% Teste instabile: 1 Tokenuri de ieșire: 2,207 Tokenuri de raționament: 0 Timp de răspuns: medie 665ms · total 11.97s · maxim 1.72s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.4 Programare : 4.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0
#97#97	gpt-oss-120bnone	5.2	OpenAI	$0.009	11.96s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 38.9% Teste instabile: 5 Tokenuri de ieșire: 44,652 Tokenuri de raționament: 0 Timp de răspuns: medie 11.96s · total 179.34s · maxim 68.97s Răspuns greșit: 6 Nu a urmat instrucțiunile: 5 Eroare API: 3 Trucuri anti-AI : 6.6 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 4.5 Apelare instrumente : 3.0
#98#98	Elephant Alphanone	5.2	Openrouter	$0.000	1.23s
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 31.5% Teste instabile: 1 Tokenuri de ieșire: 2,573 Tokenuri de raționament: 0 Timp de răspuns: medie 1.23s · total 22.16s · maxim 3.81s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 6.4 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 3.0
#99#99	GPT-5.4 Mininone	5.1	OpenAI	$0.032	1.17s
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 35.2% Teste instabile: 3 Tokenuri de ieșire: 2,418 Tokenuri de raționament: 0 Timp de răspuns: medie 1.17s · total 21.01s · maxim 2.52s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.1 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 3.0
#100#100	Qwen3 Coder Nextnone	5.1	Qwen	$0.008	10.18s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 25.9% Teste instabile: 1 Tokenuri de ieșire: 3,617 Tokenuri de raționament: 0 Timp de răspuns: medie 10.18s · total 122.13s · maxim 45.14s Răspuns greșit: 12 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.6 Programare : 7.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0
#101#101	MiMo-V2.5none	5.1	Xiaomi	$0.019	1.05s
Vezi fișa modelului Total teste: 18 Teste greșite: 13 Fiabilitate: N/D Rată de trecere pe încercare: 27.8% Teste instabile: 0 Tokenuri de ieșire: 2,177 Tokenuri de raționament: 0 Timp de răspuns: medie 1.05s · total 18.94s · maxim 2.43s Răspuns greșit: 10 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 4.8 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0
#102#102	Nemotron 3 Supernone	5.1	NVIDIA	$0.000	8.54s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 35.2% Teste instabile: 4 Tokenuri de ieșire: 4,760 Tokenuri de raționament: 0 Timp de răspuns: medie 8.54s · total 153.69s · maxim 24.97s Răspuns greșit: 10 Nu a urmat instrucțiunile: 4 Trucuri anti-AI : 4.8 Programare : 3.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.2 Respectarea instrucțiunilor : 4.9 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 4.7
#103#103	GPT-4o-mininone	4.9	OpenAI	$0.005	2.00s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 22.2% Teste instabile: 0 Tokenuri de ieșire: 1,947 Tokenuri de raționament: 0 Timp de răspuns: medie 2.00s · total 21.99s · maxim 7.58s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 4.8 Programare : 3.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0
#104#104	Qwen3.5-9Bnone	4.8	Qwen	$0.005	1.47s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 24.1% Teste instabile: 1 Tokenuri de ieșire: 3,951 Tokenuri de raționament: 0 Timp de răspuns: medie 1.47s · total 26.43s · maxim 5.91s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 3.1 Programare : 5.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0
#105#105	Mercury 2none	4.8	Inception	$0.007	613ms
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 27.8% Teste instabile: 2 Tokenuri de ieșire: 1,625 Tokenuri de raționament: 0 Timp de răspuns: medie 613ms · total 11.04s · maxim 1.27s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0
#106#106	Qwen3 Coder Nextmedium	4.7	Qwen	$0.008	10.75s
Vezi fișa modelului Total teste: 18 Teste greșite: 15 Fiabilitate: N/D Rată de trecere pe încercare: 27.8% Teste instabile: 3 Tokenuri de ieșire: 3,241 Tokenuri de raționament: 0 Timp de răspuns: medie 10.75s · total 129.01s · maxim 81.80s Răspuns greșit: 9 Nu a urmat instrucțiunile: 5 Timp expirat: 1 Trucuri anti-AI : 3.5 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 6.3 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0
#107#107	HY3 Previewnone	4.7	Tencent	$0.000	13.56s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 27.8% Teste instabile: 2 Tokenuri de ieșire: 2,639 Tokenuri de raționament: 0 Timp de răspuns: medie 13.56s · total 230.55s · maxim 35.84s Răspuns greșit: 7 Nu a urmat instrucțiunile: 4 Eroare API: 2 Formatare suplimentară: 1 Trucuri anti-AI : 4.8 Programare : 2.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0
#108#108	GLM 4.7 Flashmedium	4.6	Z.ai	$0.046	32.33s
Vezi fișa modelului Total teste: 18 Teste greșite: 14 Fiabilitate: N/D Rată de trecere pe încercare: 38.9% Teste instabile: 8 Tokenuri de ieșire: 39,688 Tokenuri de raționament: 72,401 Timp de răspuns: medie 32.33s · total 355.65s · maxim 174.55s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 4.7 Programare : 3.6 Combinat : 2.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.5 Inteligență generală : 3.6 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0
#109#109	MiMo-V2-Flashnone	4.5	Xiaomi	$0.023	2.79s
Vezi fișa modelului Total teste: 18 Teste greșite: 15 Fiabilitate: N/D Rată de trecere pe încercare: 27.8% Teste instabile: 5 Tokenuri de ieșire: 68,522 Tokenuri de raționament: 0 Timp de răspuns: medie 2.79s · total 39.08s · maxim 19.68s Răspuns greșit: 12 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.2 Programare : 6.3 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0
#110#110	Grok 4.1 Fastnone	4.5	X AI	$0.009	1.76s
Vezi fișa modelului Total teste: 18 Teste greșite: 15 Fiabilitate: N/D Rată de trecere pe încercare: 24.1% Teste instabile: 3 Tokenuri de ieșire: 1,721 Tokenuri de raționament: 0 Timp de răspuns: medie 1.76s · total 19.35s · maxim 5.51s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 2.8
#111#111	Ling 2.6 1tnone	4.5	Inclusionai	$0.000	8.79s
Vezi fișa modelului Total teste: 18 Teste greșite: 15 Fiabilitate: N/D Rată de trecere pe încercare: 16.7% Teste instabile: 0 Tokenuri de ieșire: 2,434 Tokenuri de raționament: 0 Timp de răspuns: medie 8.79s · total 158.19s · maxim 25.72s Răspuns greșit: 11 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 3.0
#112#112	GPT-5.4 Nanonone	4.5	OpenAI	$0.009	1.40s
Vezi fișa modelului Total teste: 18 Teste greșite: 16 Fiabilitate: N/D Rată de trecere pe încercare: 31.5% Teste instabile: 7 Tokenuri de ieșire: 2,762 Tokenuri de raționament: 0 Timp de răspuns: medie 1.40s · total 25.14s · maxim 3.84s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.5 Programare : 7.1 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0
#113#113	Qwen3.5-9Bmedium	4.4	Qwen	$0.030	73.64s
Vezi fișa modelului Total teste: 18 Teste greșite: 15 Fiabilitate: N/D Rată de trecere pe încercare: 33.3% Teste instabile: 6 Tokenuri de ieșire: 24,291 Tokenuri de raționament: 172,597 Timp de răspuns: medie 73.64s · total 1104.60s · maxim 226.38s Timp expirat: 11 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Răspuns greșit: 1 Trucuri anti-AI : 5.1 Programare : 2.6 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0
#114#114	LFM2-24B-A2Bnone	4.1	Liquid	$0.001	811ms
Vezi fișa modelului Total teste: 16 Teste greșite: 15 Fiabilitate: N/D Rată de trecere pe încercare: 14.6% Teste instabile: 2 Tokenuri de ieșire: 1,185 Tokenuri de raționament: 0 Timp de răspuns: medie 811ms · total 11.35s · maxim 2.88s Răspuns greșit: 9 Eroare API: 4 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 4.4 Apelare instrumente : 3.0
#115#115	Step 3.5 Flashnone	3.0	Stepfun	$0.000	0ms
Vezi fișa modelului Total teste: 1 Teste greșite: 1 Fiabilitate: N/D Rată de trecere pe încercare: 0.0% Teste instabile: 0 Tokenuri de ieșire: 0 Tokenuri de raționament: 0 Timp de răspuns: medie 0ms · total 0ms · maxim 0ms Eroare API: 1 Programare : 3.0

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7none Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsSeed-2.0-Litemedium Gemini 3 Flash PreviewmediumvsHY3 PreviewhighDisponibil gratuit Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsClaude Opus 4.7none Claude Opus 4.7nonevsGPT-5.5medium GPT-5.5mediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsSeed-2.0-Litemedium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă