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)
#102#102	Gemini 3.1 Flash Litelow	6.5	Google	$0.621	16.26s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 2 Tokenuri de intrare 94,224 Tokenuri de ieșire 7,759 Tokenuri de raționament 390,126 Timp de răspuns (mediu) 16.26s Timp de răspuns (total) 357.64s Timp de răspuns (maxim) 318.02s Răspuns greșit: 9 Apel de instrument invalid: 1 Trucuri anti-AI : 7.3 Programare : 5.5 Combinat : 3.2 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
#103#103	Gemini 3.1 Flash Lite Previewnone	6.4	Google	$0.052	1.58s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 57.6% Teste instabile 1 Tokenuri de intrare 120,942 Tokenuri de ieșire 14,292 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.58s Timp de răspuns (total) 34.72s Timp de răspuns (maxim) 9.27s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 7.5 Programare : 5.5 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
#110#110	Qwen3.5-Flashmedium	6.2	Qwen	$0.139 ↓	84.82s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 6 Tokenuri de intrare 118,499 Tokenuri de ieșire 12,284 Tokenuri de raționament 490,610 Timp de răspuns (mediu) 84.82s Timp de răspuns (total) 1781.22s Timp de răspuns (maxim) 515.38s Răspuns greșit: 4 Timp expirat: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 6.4 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
#91#91	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 44,615 Tokenuri de ieșire 2,347 Tokenuri de raționament 98,415 Timp de răspuns (mediu) 23.08s Timp de răspuns (total) 484.63s Timp de răspuns (maxim) 95.88s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.2 Programare : 6.0 Combinat : 3.4 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
#126#126	Step 3.5 Flashmedium	6.0	Stepfun	$0.108 ↑	174.22s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 9.2 Rată de trecere pe încercare 51.5% Teste instabile 1 Tokenuri de intrare 65,707 Tokenuri de ieșire 108,561 Tokenuri de raționament 293,993 Timp de răspuns (mediu) 174.22s Timp de răspuns (total) 2613.32s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 2.4 Combinat : 6.5 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
#131#131	Hy3 previewhigh	5.9	Tencent	$0.048 ↕	56.57s
Vezi fișa modelului Total teste 21 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% 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: 7 Răspuns greșit: 3 Trucuri anti-AI : 6.4 Programare : 5.3 Combinat : 5.0 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
#61#61	KAT-Coder-Pro V2.5low	7.4	Kwaipilot	$0.387	19.47s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 8 Tokenuri de intrare 87,673 Tokenuri de ieșire 7,166 Tokenuri de raționament 101,474 Timp de răspuns (mediu) 19.47s Timp de răspuns (total) 428.31s Timp de răspuns (maxim) 209.15s Răspuns greșit: 10 Eroare API: 1 Trucuri anti-AI : 6.9 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#68#68	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.482	20.83s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 6 Tokenuri de intrare 106,076 Tokenuri de ieșire 9,071 Tokenuri de raționament 127,093 Timp de răspuns (mediu) 20.83s Timp de răspuns (total) 458.31s Timp de răspuns (maxim) 199.97s Răspuns greșit: 10 Apel de instrument invalid: 1 Trucuri anti-AI : 7.0 Programare : 6.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#70#70	Qwen3.7 Plusnone	7.2	Qwen	$0.106 ↓	12.09s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 0 Tokenuri de intrare 98,824 Tokenuri de ieșire 58,097 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.09s Timp de răspuns (total) 265.89s Timp de răspuns (maxim) 206.03s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 5.5 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
#75#75	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.62s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 7 Tokenuri de intrare 101,047 Tokenuri de ieșire 11,834 Tokenuri de raționament 117,014 Timp de răspuns (mediu) 68.62s Timp de răspuns (total) 1509.53s Timp de răspuns (maxim) 376.10s Răspuns greșit: 5 Eroare API: 2 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.2 Programare : 6.0 Combinat : 7.3 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	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.101	92.53s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 8.5 Rată de trecere pe încercare 57.6% Teste instabile 3 Tokenuri de intrare 125,467 Tokenuri de ieșire 10,778 Tokenuri de raționament 209,856 Timp de răspuns (mediu) 92.53s Timp de răspuns (total) 1665.50s Timp de răspuns (maxim) 301.78s Timp expirat: 5 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.6 Programare : 5.5 Combinat : 7.3 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
#80#80	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.467	24.04s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 7 Tokenuri de intrare 87,907 Tokenuri de ieșire 7,213 Tokenuri de raționament 128,251 Timp de răspuns (mediu) 24.04s Timp de răspuns (total) 528.92s Timp de răspuns (maxim) 257.00s Răspuns greșit: 9 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.2 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#82#82	GPT-5.6 Solnone	6.9	OpenAI	$0.524	2.16s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 3 Tokenuri de intrare 78,593 Tokenuri de ieșire 4,357 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.16s Timp de răspuns (total) 47.62s Timp de răspuns (maxim) 12.81s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 6.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#85#85	Step 3.7 Flashhigh	6.9	Stepfun	$1.207	64.68s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 5 Tokenuri de intrare 98,691 Tokenuri de ieșire 1,032,395 Tokenuri de raționament 0 Timp de răspuns (mediu) 64.68s Timp de răspuns (total) 1423.01s Timp de răspuns (maxim) 364.99s Răspuns greșit: 6 Fără răspuns: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 4.0 Combinat : 8.7 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
#86#86	GPT-5.5none	6.9	OpenAI	$0.544	2.36s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 56.1% Teste instabile 3 Tokenuri de intrare 79,285 Tokenuri de ieșire 4,915 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.36s Timp de răspuns (total) 51.88s Timp de răspuns (maxim) 12.24s Răspuns greșit: 11 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 6.5 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	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.476	25.56s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 7 Tokenuri de intrare 98,499 Tokenuri de ieșire 135,861 Tokenuri de raționament 0 Timp de răspuns (mediu) 25.56s Timp de răspuns (total) 562.43s Timp de răspuns (maxim) 335.41s Răspuns greșit: 10 Apel de instrument invalid: 1 Trucuri anti-AI : 8.7 Programare : 6.1 Combinat : 4.1 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#105#105	Ring-2.6-1Tmedium	6.3	Inclusionai	$0.103 ↑	68.74s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 4 Tokenuri de intrare 113,604 Tokenuri de ieșire 123,079 Tokenuri de raționament 42,754 Timp de răspuns (mediu) 68.74s Timp de răspuns (total) 1374.86s Timp de răspuns (maxim) 304.19s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 7.3 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
#115#115	Qwen3.5-35B-A3Bmedium	6.2	Qwen	$0.837 ↓	112.47s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 130,388 Tokenuri de ieșire 40,630 Tokenuri de raționament 786,040 Timp de răspuns (mediu) 112.47s Timp de răspuns (total) 2474.28s Timp de răspuns (maxim) 950.25s Timp expirat: 5 Fără răspuns: 2 Răspuns greșit: 2 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 3.8 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
#205#205	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
Vezi fișa modelului Total teste 12 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% 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 : 9.8 Combinat : 1.5 Parsare și extragere de date : 1.5 Specific domeniului : 3.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 0.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#130#130	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% 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 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 10.0 Programare : 3.3 Combinat : 5.0 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
#149#149	Hy3 previewlow	5.5	Tencent	$0.015 ↕	24.56s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% 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: 7 Răspuns greșit: 4 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.0 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
#171#171	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 40.9% 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 : 9.8 Combinat : 5.0 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
#181#181	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% 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 : 7.8 Combinat : 5.0 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
#182#182	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% 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 : 1.5 Combinat : 1.5 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
#46#46	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.200	79.14s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 6 Tokenuri de intrare 90,748 Tokenuri de ieșire 10,462 Tokenuri de raționament 178,719 Timp de răspuns (mediu) 79.14s Timp de răspuns (total) 1740.97s Timp de răspuns (maxim) 416.76s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Timp expirat: 1 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
#76#76	Kimi K2.5medium	7.0	Moonshot AI	$0.600 ↑	99.00s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 118,448 Tokenuri de ieșire 62,124 Tokenuri de raționament 165,243 Timp de răspuns (mediu) 99.00s Timp de răspuns (total) 1485.04s Timp de răspuns (maxim) 281.00s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 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
#77#77	Mercury 2medium	7.0	Inception	$0.093	2.72s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 3 Tokenuri de intrare 109,572 Tokenuri de ieșire 10,313 Tokenuri de raționament 76,806 Timp de răspuns (mediu) 2.72s Timp de răspuns (total) 57.12s Timp de răspuns (maxim) 14.63s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 8.2 Combinat : 6.7 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
#81#81	DeepSeek V4 Pronone	6.9	DeepSeek	$0.096	11.55s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 4 Tokenuri de intrare 148,069 Tokenuri de ieșire 35,551 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.55s Timp de răspuns (total) 254.11s Timp de răspuns (maxim) 119.44s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.2 Programare : 5.6 Combinat : 7.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#96#96	Qwen3.6 27Bmedium	6.5	Qwen	$0.779 ↑	106.32s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 6 Tokenuri de intrare 106,167 Tokenuri de ieșire 32,889 Tokenuri de raționament 241,303 Timp de răspuns (mediu) 106.32s Timp de răspuns (total) 2339.12s Timp de răspuns (maxim) 1085.11s Răspuns greșit: 6 Fără răspuns: 3 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.3 Programare : 7.7 Combinat : 6.7 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
#104#104	Qwen3.5 Plus 2026-02-15none	6.4	Qwen	$0.073 ↓	9.85s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 48.5% Teste instabile 2 Tokenuri de intrare 102,646 Tokenuri de ieșire 29,370 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.85s Timp de răspuns (total) 157.63s Timp de răspuns (maxim) 123.00s Răspuns greșit: 12 Trucuri anti-AI : 4.8 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 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