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: 2026-10-17 Modele evaluate: 442

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

442/442

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#114#114	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
#181#181	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 2 Tokenuri de intrare 79,249 Tokenuri de ieșire 5,097 Tokenuri de raționament 165,276 Timp de răspuns (mediu) 66.52s Timp de răspuns (total) 1463.50s Timp de răspuns (maxim) 238.07s Răspuns greșit: 4 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#75#75	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 3 Tokenuri de intrare 298,682 Tokenuri de ieșire 8,374 Tokenuri de raționament 80,549 Timp de răspuns (mediu) 29.07s Timp de răspuns (total) 668.66s Timp de răspuns (maxim) 207.79s Răspuns greșit: 4 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#117#117	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
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 1 Tokenuri de intrare 361,183 Tokenuri de ieșire 26,609 Tokenuri de raționament 11,139 Timp de răspuns (mediu) 8.03s Timp de răspuns (total) 184.80s Timp de răspuns (maxim) 51.18s Formatare suplimentară: 8 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Fără răspuns: 1 Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 3.4 Combinat : 8.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#46#46	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 84.1% Teste instabile 2 Tokenuri de intrare 268,540 Tokenuri de ieșire 7,499 Tokenuri de raționament 85,499 Timp de răspuns (mediu) 30.42s Timp de răspuns (total) 699.68s Timp de răspuns (maxim) 168.09s Răspuns greșit: 5 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#284#284	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 5 Tokenuri de intrare 393,560 Tokenuri de ieșire 30,466 Tokenuri de raționament 311 Timp de răspuns (mediu) 8.60s Timp de răspuns (total) 197.73s Timp de răspuns (maxim) 64.73s Răspuns greșit: 9 Formatare suplimentară: 4 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 5.3 Programare : 4.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#59#59	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 3 Tokenuri de intrare 262,495 Tokenuri de ieșire 7,787 Tokenuri de raționament 86,149 Timp de răspuns (mediu) 25.09s Timp de răspuns (total) 577.14s Timp de răspuns (maxim) 155.75s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 7 Tokenuri de intrare 264,147 Tokenuri de ieșire 34,419 Tokenuri de raționament 253,480 Timp de răspuns (mediu) 107.79s Timp de răspuns (total) 2479.26s Timp de răspuns (maxim) 1085.11s Răspuns greșit: 5 Fără răspuns: 3 Apel de instrument invalid: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 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
#100#100	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.6 Rată de trecere pe încercare 81.2% Teste instabile 4 Tokenuri de intrare 227,164 Tokenuri de ieșire 20,029 Tokenuri de raționament 60,991 Timp de răspuns (mediu) 26.88s Timp de răspuns (total) 591.34s Timp de răspuns (maxim) 102.40s Răspuns greșit: 3 Fără răspuns: 2 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#4#4	GPT-6.1 Solmax	9.9	OpenAI	$1.006	61.98s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 9.7 Rată de trecere pe încercare 95.7% Teste instabile 0 Tokenuri de intrare 183,607 Tokenuri de ieșire 5,741 Tokenuri de raționament 58,082 Timp de răspuns (mediu) 61.98s Timp de răspuns (total) 1425.65s Timp de răspuns (maxim) 960.01s Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 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 : 10.0
#230#230	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 325,471 Tokenuri de ieșire 14,867 Tokenuri de raționament 217,675 Timp de răspuns (mediu) 44.53s Timp de răspuns (total) 1024.25s Timp de răspuns (maxim) 216.69s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#3🥉 #3	GPT-6 Solhigh	9.9	OpenAI	$0.921	23.56s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 95.7% Teste instabile 0 Tokenuri de intrare 182,698 Tokenuri de ieșire 5,647 Tokenuri de raționament 49,872 Timp de răspuns (mediu) 23.56s Timp de răspuns (total) 541.85s Timp de răspuns (maxim) 136.22s Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 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 : 10.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 347,980 Tokenuri de ieșire 121,898 Tokenuri de raționament 720,302 Timp de răspuns (mediu) 95.16s Timp de răspuns (total) 2188.74s Timp de răspuns (maxim) 540.96s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.2 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#77#77	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 5 Tokenuri de intrare 270,231 Tokenuri de ieșire 13,363 Tokenuri de raționament 121,332 Timp de răspuns (mediu) 17.73s Timp de răspuns (total) 407.75s Timp de răspuns (maxim) 78.72s Răspuns greșit: 4 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#194#194	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 46.4% Teste instabile 2 Tokenuri de intrare 291,853 Tokenuri de ieșire 24,116 Tokenuri de raționament 8,327 Timp de răspuns (mediu) 7.46s Timp de răspuns (total) 171.47s Timp de răspuns (maxim) 46.61s Formatare suplimentară: 5 Nu a urmat instrucțiunile: 5 Apel de instrument invalid: 1 Fără răspuns: 1 Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 3.2 Combinat : 7.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.900 ↓	18.93s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 98.6% Teste instabile 1 Tokenuri de intrare 238,080 Tokenuri de ieșire 4,211 Tokenuri de raționament 188,109 Timp de răspuns (mediu) 18.93s Timp de răspuns (total) 435.48s Timp de răspuns (maxim) 104.15s Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 8.2 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#71#71	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 4 Tokenuri de intrare 291,368 Tokenuri de ieșire 13,469 Tokenuri de raționament 108,952 Timp de răspuns (mediu) 13.21s Timp de răspuns (total) 303.92s Timp de răspuns (maxim) 54.15s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.9 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 9.8 Cultură generală : 3.0
#64#64	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 3 Tokenuri de intrare 254,914 Tokenuri de ieșire 10,303 Tokenuri de raționament 121,928 Timp de răspuns (mediu) 11.81s Timp de răspuns (total) 271.60s Timp de răspuns (maxim) 56.77s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Sarcini agentice : 10.0 Trucuri anti-AI : 9.2 Programare : 8.4 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#103#103	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 8.9 Rată de trecere pe încercare 78.3% Teste instabile 6 Tokenuri de intrare 237,604 Tokenuri de ieșire 9,617 Tokenuri de raționament 244,190 Timp de răspuns (mediu) 73.02s Timp de răspuns (total) 1679.49s Timp de răspuns (maxim) 485.92s Răspuns greșit: 7 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 7.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 94.2% Teste instabile 1 Tokenuri de intrare 235,726 Tokenuri de ieșire 6,669 Tokenuri de raționament 245,867 Timp de răspuns (mediu) 21.57s Timp de răspuns (total) 496.12s Timp de răspuns (maxim) 117.26s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.6 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 : 10.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 7 Tokenuri de intrare 319,352 Tokenuri de ieșire 158,447 Tokenuri de raționament 875,524 Timp de răspuns (mediu) 84.01s Timp de răspuns (total) 1932.24s Timp de răspuns (maxim) 525.14s Răspuns greșit: 9 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 6.8 Programare : 7.5 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 5.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 60.9% Teste instabile 8 Tokenuri de intrare 292,271 Tokenuri de ieșire 55,025 Tokenuri de raționament 186,071 Timp de răspuns (mediu) 125.76s Timp de răspuns (total) 2137.84s Timp de răspuns (maxim) 566.79s Răspuns greșit: 5 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#223#223	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 3 Tokenuri de intrare 282,192 Tokenuri de ieșire 75,306 Tokenuri de raționament 700,868 Timp de răspuns (mediu) 59.92s Timp de răspuns (total) 1258.32s Timp de răspuns (maxim) 817.57s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#234#234	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 2 Tokenuri de intrare 199,105 Tokenuri de ieșire 4,274 Tokenuri de raționament 195,495 Timp de răspuns (mediu) 11.10s Timp de răspuns (total) 255.26s Timp de răspuns (maxim) 54.48s Răspuns greșit: 6 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 3.0 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