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)
#172#172	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 5 Tokenuri de intrare 212,440 Tokenuri de ieșire 22,922 Tokenuri de raționament 115,335 Timp de răspuns (mediu) 39.05s Timp de răspuns (total) 546.68s Timp de răspuns (maxim) 110.70s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 5.0 Parsare și extragere de date : 7.1 Specific domeniului : 3.5 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#261#261	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 4 Tokenuri de intrare 35,593 Tokenuri de ieșire 12,245 Tokenuri de raționament 62,277 Timp de răspuns (mediu) 23.00s Timp de răspuns (total) 482.97s Timp de răspuns (maxim) 194.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#321#321	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 27,030 Tokenuri de ieșire 73,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.28s Timp de răspuns (total) 293.12s Timp de răspuns (maxim) 46.04s Eroare API: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#350#350	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate N/D Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 28,848 Tokenuri de ieșire 1,490 Tokenuri de raționament 10,102 Timp de răspuns (mediu) 9.05s Timp de răspuns (total) 90.53s Timp de răspuns (maxim) 26.24s Eroare API: 4 Răspuns greșit: 3 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 3.0 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.9 Rată de trecere pe încercare 75.4% Teste instabile 5 Tokenuri de intrare 277,967 Tokenuri de ieșire 9,240 Tokenuri de raționament 383,606 Timp de răspuns (mediu) 28.15s Timp de răspuns (total) 647.40s Timp de răspuns (maxim) 192.00s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.1 Programare : 10.0 Combinat : 8.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#55#55	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 4 Tokenuri de intrare 292,604 Tokenuri de ieșire 9,569 Tokenuri de raționament 278,408 Timp de răspuns (mediu) 21.28s Timp de răspuns (total) 489.46s Timp de răspuns (maxim) 142.49s Nu a urmat instrucțiunile: 3 Răspuns greșit: 3 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 10.0 Combinat : 8.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
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 218,199 Tokenuri de ieșire 175,696 Tokenuri de raționament 0 Timp de răspuns (mediu) 28.26s Timp de răspuns (total) 649.90s Timp de răspuns (maxim) 151.76s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.5 Programare : 10.0 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 2.8
#61#61	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 78.3% Teste instabile 5 Tokenuri de intrare 256,646 Tokenuri de ieșire 10,490 Tokenuri de raționament 210,325 Timp de răspuns (mediu) 77.44s Timp de răspuns (total) 1781.16s Timp de răspuns (maxim) 643.19s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.9 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#65#65	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
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 235,207 Tokenuri de ieșire 11,065 Tokenuri de raționament 69,473 Timp de răspuns (mediu) 31.29s Timp de răspuns (total) 531.98s Timp de răspuns (maxim) 116.86s Nu a urmat instrucțiunile: 3 Răspuns greșit: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#70#70	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$1.204 ↑	61.58s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.4 Rată de trecere pe încercare 69.6% Teste instabile 2 Tokenuri de intrare 414,054 Tokenuri de ieșire 7,635 Tokenuri de raționament 900,536 Timp de răspuns (mediu) 61.58s Timp de răspuns (total) 1416.24s Timp de răspuns (maxim) 335.08s Răspuns greșit: 6 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#81#81	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.9 Rată de trecere pe încercare 82.6% Teste instabile 6 Tokenuri de intrare 296,001 Tokenuri de ieșire 8,105 Tokenuri de raționament 600,178 Timp de răspuns (mediu) 49.88s Timp de răspuns (total) 1147.24s Timp de răspuns (maxim) 310.51s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Eroare API: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 5 Tokenuri de intrare 281,863 Tokenuri de ieșire 24,535 Tokenuri de raționament 507,976 Timp de răspuns (mediu) 118.83s Timp de răspuns (total) 2733.01s Timp de răspuns (maxim) 600.61s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 6.3 Combinat : 10.0 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
#89#89	GLM 5.2high	8.4	Z.ai	$4.632 ↑	69.11s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 3 Tokenuri de intrare 288,913 Tokenuri de ieșire 79,462 Tokenuri de raționament 303,120 Timp de răspuns (mediu) 69.11s Timp de răspuns (total) 1589.43s Timp de răspuns (maxim) 599.43s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#90#90	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 2 Tokenuri de intrare 197,239 Tokenuri de ieșire 6,083 Tokenuri de raționament 53,982 Timp de răspuns (mediu) 13.62s Timp de răspuns (total) 313.21s Timp de răspuns (maxim) 91.49s Răspuns greșit: 7 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 7.6 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#91#91	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 4 Tokenuri de intrare 346,451 Tokenuri de ieșire 10,136 Tokenuri de raționament 95,504 Timp de răspuns (mediu) 10.41s Timp de răspuns (total) 239.38s Timp de răspuns (maxim) 52.61s Răspuns greșit: 4 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#94#94	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 3 Tokenuri de intrare 203,193 Tokenuri de ieșire 5,751 Tokenuri de raționament 47,410 Timp de răspuns (mediu) 18.07s Timp de răspuns (total) 415.53s Timp de răspuns (maxim) 66.44s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 71.0% Teste instabile 3 Tokenuri de intrare 369,495 Tokenuri de ieșire 172,852 Tokenuri de raționament 476,002 Timp de răspuns (mediu) 88.74s Timp de răspuns (total) 2041.10s Timp de răspuns (maxim) 567.88s Fără răspuns: 4 Răspuns greșit: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 2.8 Cultură generală : 3.0
#98#98	Gemini 4 Argonlow	8.2	Google	$0.438	5.72s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 79.7% Teste instabile 6 Tokenuri de intrare 188,162 Tokenuri de ieșire 6,097 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.72s Timp de răspuns (total) 131.67s Timp de răspuns (maxim) 60.87s Răspuns greșit: 5 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 10.0 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 4.7 Cultură generală : 3.0
#101#101	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 2 Tokenuri de intrare 172,507 Tokenuri de ieșire 5,824 Tokenuri de raționament 27,365 Timp de răspuns (mediu) 8.93s Timp de răspuns (total) 205.39s Timp de răspuns (maxim) 54.74s Răspuns greșit: 8 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 4 Tokenuri de intrare 266,849 Tokenuri de ieșire 8,284 Tokenuri de raționament 363,263 Timp de răspuns (mediu) 28.04s Timp de răspuns (total) 645.03s Timp de răspuns (maxim) 149.84s Răspuns greșit: 7 Eroare API: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#108#108	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	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	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
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.6 Rată de trecere pe încercare 75.4% Teste instabile 4 Tokenuri de intrare 295,642 Tokenuri de ieșire 115,041 Tokenuri de raționament 353,398 Timp de răspuns (mediu) 120.88s Timp de răspuns (total) 2780.16s Timp de răspuns (maxim) 532.28s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.8 Rată de trecere pe încercare 69.6% Teste instabile 2 Tokenuri de intrare 324,691 Tokenuri de ieșire 181,251 Tokenuri de raționament 506,441 Timp de răspuns (mediu) 87.39s Timp de răspuns (total) 2010.08s Timp de răspuns (maxim) 665.85s Fără răspuns: 4 Răspuns greșit: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 2.8 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