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: 2026-07-20 Modele evaluate: 210

210/210

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#130#130	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
#71#71	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
#127#127	Qwen3.5-35B-A3Bnone	6.1	Qwen	$0.106 ↓	12.72s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 134,521 Tokenuri de ieșire 86,614 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.72s Timp de răspuns (total) 279.90s Timp de răspuns (maxim) 209.15s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#108#108	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
#80#80	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
#167#167	Mistral Small 4medium	5.1	Mistral	$0.096	10.77s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 42.4% Teste instabile 8 Tokenuri de intrare 140,494 Tokenuri de ieșire 39,462 Tokenuri de raționament 92,362 Timp de răspuns (mediu) 10.77s Timp de răspuns (total) 236.94s Timp de răspuns (maxim) 59.15s Răspuns greșit: 12 Eroare API: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 5.6 Programare : 4.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#82#82	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
#129#129	Nemotron 3 Ultranone	6.1	NVIDIA	$0.095 ↕	3.87s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 42.4% Teste instabile 2 Tokenuri de intrare 101,275 Tokenuri de ieșire 9,474 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.87s Timp de răspuns (total) 85.15s Timp de răspuns (maxim) 37.50s Răspuns greșit: 12 Eroare API: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#136#136	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.53s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 3 Tokenuri de intrare 79,067 Tokenuri de ieșire 7,880 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.53s Timp de răspuns (total) 33.74s Timp de răspuns (maxim) 9.92s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.1 Programare : 5.5 Combinat : 6.5 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 Cultură generală : 3.0
#78#78	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
#103#103	Qwen3.5-27Bnone	6.5	Qwen	$0.090 ↑	4.76s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 2 Tokenuri de intrare 102,316 Tokenuri de ieșire 24,321 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.76s Timp de răspuns (total) 104.71s Timp de răspuns (maxim) 69.46s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 5.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#95#95	Gemma 4 26B A4Bmedium	6.6	Google	$0.089 ↓	103.83s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 9.4 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 77,550 Tokenuri de ieșire 28,036 Tokenuri de raționament 219,491 Timp de răspuns (mediu) 103.83s Timp de răspuns (total) 2180.47s Timp de răspuns (maxim) 912.19s Răspuns greșit: 3 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 2.9 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#152#152	Qwen3.6 27Bnone	5.5	Qwen	$0.087 ↑	10.65s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 6 Tokenuri de intrare 95,796 Tokenuri de ieșire 16,155 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.65s Timp de răspuns (total) 234.39s Timp de răspuns (maxim) 156.31s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.8 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 7.3 Specific domeniului : 7.7 Inteligență generală : 5.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.5 Cultură generală : 3.0
#191#191	Grok 4.20 Betanone	4.4	X AI	$0.087 ↓	1.19s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 30.3% Teste instabile 1 Tokenuri de intrare 40,597 Tokenuri de ieșire 1,657 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.19s Timp de răspuns (total) 21.43s Timp de răspuns (maxim) 6.48s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.0 Programare : 1.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#89#89	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.95s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 3 Tokenuri de intrare 104,210 Tokenuri de ieșire 10,710 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.95s Timp de răspuns (total) 44.26s Timp de răspuns (maxim) 21.19s Răspuns greșit: 8 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#101#101	MiMo-V2.5medium	6.5	Xiaomi	$0.082 ↓	32.20s
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 105,447 Tokenuri de ieșire 7,120 Tokenuri de raționament 230,682 Timp de răspuns (mediu) 32.20s Timp de răspuns (total) 708.46s Timp de răspuns (maxim) 162.44s Răspuns greșit: 5 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 8.7 Parsare și extragere de date : 2.7 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#76#76	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
#144#144	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.90s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 9.9 Rată de trecere pe încercare 43.9% Teste instabile 6 Tokenuri de intrare 50,470 Tokenuri de ieșire 3,957 Tokenuri de raționament 111,374 Timp de răspuns (mediu) 15.90s Timp de răspuns (total) 349.71s Timp de răspuns (maxim) 118.35s Răspuns greșit: 9 Eroare API: 3 Formatare suplimentară: 3 Trucuri anti-AI : 6.9 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#125#125	Qwen3.5-Flashnone	6.1	Qwen	$0.073 ↓	25.28s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 2 Tokenuri de intrare 282,347 Tokenuri de ieșire 209,201 Tokenuri de raționament 0 Timp de răspuns (mediu) 25.28s Timp de răspuns (total) 556.24s Timp de răspuns (maxim) 480.96s Răspuns greșit: 13 Apel de instrument invalid: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#107#107	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
#185#185	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
#154#154	MiMo-V2.5-Pronone	5.5	Xiaomi	$0.068 ↓	4.12s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 37.9% Teste instabile 4 Tokenuri de intrare 124,799 Tokenuri de ieșire 15,362 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.12s Timp de răspuns (total) 90.55s Timp de răspuns (maxim) 53.13s Răspuns greșit: 11 Nu a urmat instrucțiunile: 4 Fără răspuns: 1 Trucuri anti-AI : 3.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#102#102	Laguna XS 2.1medium	6.5	Poolside	$0.068	47.93s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 42.4% Teste instabile 1 Tokenuri de intrare 118,989 Tokenuri de ieșire 30,750 Tokenuri de raționament 491,833 Timp de răspuns (mediu) 47.93s Timp de răspuns (total) 1054.49s Timp de răspuns (maxim) 422.72s Răspuns greșit: 11 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#182#182	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.067	12.17s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 37.9% Teste instabile 8 Tokenuri de intrare 69,367 Tokenuri de ieșire 93,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.17s Timp de răspuns (total) 267.83s Timp de răspuns (maxim) 121.05s Răspuns greșit: 13 Formatare suplimentară: 3 Eroare API: 1 Trucuri anti-AI : 5.3 Programare : 3.3 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#116#116	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.40s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 142,197 Tokenuri de ieșire 14,746 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.40s Timp de răspuns (total) 96.84s Timp de răspuns (maxim) 44.58s Răspuns greșit: 13 Fără răspuns: 1 Trucuri anti-AI : 3.0 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#124#124	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.74s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 1 Tokenuri de intrare 139,788 Tokenuri de ieșire 30,947 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.74s Timp de răspuns (total) 82.38s Timp de răspuns (maxim) 48.79s Răspuns greșit: 12 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.1 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#161#161	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.061 ↑	5.52s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 31.8% Teste instabile 6 Tokenuri de intrare 93,979 Tokenuri de ieșire 46,957 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.52s Timp de răspuns (total) 110.40s Timp de răspuns (maxim) 39.54s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#197#197	Grok 4.20none	4.1	X AI	$0.057 ↓	1.11s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 27.3% Teste instabile 0 Tokenuri de intrare 41,313 Tokenuri de ieșire 1,923 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.11s Timp de răspuns (total) 19.96s Timp de răspuns (maxim) 6.04s Răspuns greșit: 10 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 1.1 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 0.0
#173#173	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	18.25s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 37.9% Teste instabile 6 Tokenuri de intrare 135,780 Tokenuri de ieșire 42,097 Tokenuri de raționament 0 Timp de răspuns (mediu) 18.25s Timp de răspuns (total) 401.60s Timp de răspuns (maxim) 115.89s Răspuns greșit: 7 Eroare API: 4 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.2 Programare : 3.1 Combinat : 4.8 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#106#106	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

←

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