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)
#145#145	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 0 Tokenuri de intrare 37,100 Tokenuri de ieșire 1,766 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.99s Timp de răspuns (total) 62.74s Timp de răspuns (maxim) 6.51s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	51.99s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 8.7 Rată de trecere pe încercare 40.9% Teste instabile 3 Tokenuri de intrare 81,429 Tokenuri de ieșire 18,371 Tokenuri de raționament 98,853 Timp de răspuns (mediu) 51.99s Timp de răspuns (total) 1039.89s Timp de răspuns (maxim) 431.98s Răspuns greșit: 5 Eroare API: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 8.3 Programare : 3.1 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.1 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#149#149	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.42s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 9.9 Rată de trecere pe încercare 45.5% Teste instabile 3 Tokenuri de intrare 51,472 Tokenuri de ieșire 7,822 Tokenuri de raționament 58,352 Timp de răspuns (mediu) 8.42s Timp de răspuns (total) 185.24s Timp de răspuns (maxim) 48.19s Răspuns greșit: 11 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 8.7 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#135#135	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
#120#120	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.86s
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 119,065 Tokenuri de ieșire 11,118 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.86s Timp de răspuns (total) 40.88s Timp de răspuns (maxim) 12.97s Răspuns greșit: 8 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#170#170	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 32,525 Tokenuri de ieșire 1,815 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.82s Timp de răspuns (total) 59.29s Timp de răspuns (maxim) 8.21s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#122#122	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 4 Tokenuri de intrare 118,050 Tokenuri de ieșire 10,723 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.75s Timp de răspuns (total) 38.60s Timp de răspuns (maxim) 16.25s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 7.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#147#147	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 3 Tokenuri de intrare 39,344 Tokenuri de ieșire 2,352 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.27s Timp de răspuns (total) 45.50s Timp de răspuns (maxim) 6.58s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#111#111	LongCat 2.0none	6.3	Meituan	$0.044	5.18s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 2 Tokenuri de intrare 108,743 Tokenuri de ieșire 9,372 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.18s Timp de răspuns (total) 113.95s Timp de răspuns (maxim) 48.38s Răspuns greșit: 14 Formatare suplimentară: 1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 4.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#150#150	DeepSeek V4 Flashnone	5.6	DeepSeek	$0.044 ↓	36.78s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 31.8% Teste instabile 4 Tokenuri de intrare 240,221 Tokenuri de ieșire 100,727 Tokenuri de raționament 0 Timp de răspuns (mediu) 36.78s Timp de răspuns (total) 809.09s Timp de răspuns (maxim) 247.27s Răspuns greșit: 12 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 4.2 Combinat : 4.6 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 Cultură generală : 3.0
#113#113	MiMo-V2-Flashmedium	6.3	Xiaomi	$0.043 ↑	20.11s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 62.1% Teste instabile 3 Tokenuri de intrare 40,111 Tokenuri de ieșire 12,476 Tokenuri de raționament 125,039 Timp de răspuns (mediu) 20.11s Timp de răspuns (total) 301.59s Timp de răspuns (maxim) 96.01s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Trucuri anti-AI : 8.1 Programare : 6.0 Combinat : 4.9 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#45#45	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.042 ↓	49.75s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 5 Tokenuri de intrare 108,392 Tokenuri de ieșire 14,478 Tokenuri de raționament 153,687 Timp de răspuns (mediu) 49.75s Timp de răspuns (total) 1094.41s Timp de răspuns (maxim) 218.13s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#158#158	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.041	10.09s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 9.9 Rată de trecere pe încercare 45.5% Teste instabile 7 Tokenuri de intrare 61,085 Tokenuri de ieșire 5,905 Tokenuri de raționament 46,990 Timp de răspuns (mediu) 10.09s Timp de răspuns (total) 222.03s Timp de răspuns (maxim) 86.23s Răspuns greșit: 7 Formatare suplimentară: 4 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 7.3 Programare : 3.5 Combinat : 6.4 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#180#180	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.57s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 28.8% Teste instabile 5 Tokenuri de intrare 115,924 Tokenuri de ieșire 13,794 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.57s Timp de răspuns (total) 56.51s Timp de răspuns (maxim) 25.50s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.5 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#141#141	GLM 5none	5.7	Z.ai	$0.041 ↑	4.03s
Vezi fișa modelului Total teste 21 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 42.4% Teste instabile 1 Tokenuri de intrare 37,135 Tokenuri de ieșire 1,989 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.03s Timp de răspuns (total) 56.37s Timp de răspuns (maxim) 11.07s Răspuns greșit: 12 Trucuri anti-AI : 4.8 Programare : 4.0 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#204#204	Qwen3.5-9Bmedium	3.8	Qwen	$0.036 ↑	82.24s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 5.0 Rată de trecere pe încercare 25.8% Teste instabile 5 Tokenuri de intrare 17,070 Tokenuri de ieșire 29,045 Tokenuri de raționament 209,516 Timp de răspuns (mediu) 82.24s Timp de răspuns (total) 1315.88s Timp de răspuns (maxim) 226.38s Timp expirat: 12 Fără răspuns: 2 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.1 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#115#115	Gemma 4 31Bnone	6.2	Google	$0.035 ↑	5.34s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 48.5% Teste instabile 1 Tokenuri de intrare 125,728 Tokenuri de ieșire 13,317 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.34s Timp de răspuns (total) 106.82s Timp de răspuns (maxim) 29.95s Răspuns greșit: 9 Eroare API: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.5 Apelare instrumente : 3.0 Cultură generală : 3.0
#186#186	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
#187#187	Qwen3 Coder Nextmedium	4.7	Qwen	$0.032 ↓	9.61s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 3 Tokenuri de intrare 148,194 Tokenuri de ieșire 19,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.61s Timp de răspuns (total) 153.69s Timp de răspuns (maxim) 81.80s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 3.5 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 6.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#189#189	Mercury 2none	4.6	Inception	$0.030	829ms
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% Teste instabile 2 Tokenuri de intrare 88,704 Tokenuri de ieșire 9,564 Tokenuri de raționament 0 Timp de răspuns (mediu) 829ms Timp de răspuns (total) 18.24s Timp de răspuns (maxim) 4.52s Răspuns greșit: 17 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 3.4 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 Cultură generală : 3.0
#179#179	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↕	55.10s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 2 Tokenuri de intrare 7,599 Tokenuri de ieșire 39,954 Tokenuri de raționament 0 Timp de răspuns (mediu) 55.10s Timp de răspuns (total) 881.55s Timp de răspuns (maxim) 143.82s Eroare API: 6 Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 9.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#168#168	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.62s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 141,043 Tokenuri de ieșire 16,464 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.62s Timp de răspuns (total) 101.57s Timp de răspuns (maxim) 55.36s Răspuns greșit: 14 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#200#200	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 6.7 Rată de trecere pe încercare 24.2% Teste instabile 4 Tokenuri de intrare 36,851 Tokenuri de ieșire 68,882 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.76s Timp de răspuns (total) 46.99s Timp de răspuns (maxim) 19.68s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 3.2 Programare : 4.3 Combinat : 1.5 Parsare și extragere de date : 2.9 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#166#166	Qwen3 Coder Nextnone	5.1	Qwen	$0.025 ↓	9.12s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 134,218 Tokenuri de ieșire 11,808 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.12s Timp de răspuns (total) 145.94s Timp de răspuns (maxim) 45.14s Răspuns greșit: 14 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 3.6 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#165#165	Mistral Small 4none	5.1	Mistral	$0.022	1.20s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 104,708 Tokenuri de ieșire 9,812 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.20s Timp de răspuns (total) 26.38s Timp de răspuns (maxim) 13.16s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 3.7 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 Cultură generală : 3.0
#157#157	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 37.9% Teste instabile 1 Tokenuri de intrare 40,852 Tokenuri de ieșire 3,314 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.44s Timp de răspuns (total) 48.81s Timp de răspuns (maxim) 6.81s Răspuns greșit: 10 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.6 Programare : 4.4 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#169#169	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.17s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 19.7% Teste instabile 1 Tokenuri de intrare 144,407 Tokenuri de ieșire 37,484 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.17s Timp de răspuns (total) 421.74s Timp de răspuns (maxim) 382.06s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.1 Programare : 3.9 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 Cultură generală : 3.0
#209#209	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
#121#121	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	21.91s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 5 Tokenuri de intrare 108,747 Tokenuri de ieșire 29,772 Tokenuri de raționament 68,044 Timp de răspuns (mediu) 21.91s Timp de răspuns (total) 328.70s Timp de răspuns (maxim) 68.16s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.7 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 6.4 Specific domeniului : 2.9 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.8 Cultură generală : 3.0
#100#100	Hy3 previewmedium	6.5	Tencent	$0.018 ↕	16.28s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% 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 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

←

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