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: 2026-10-19 Modele evaluate: 451

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

451/451

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#176#176	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 6 Tokenuri de intrare 292,685 Tokenuri de ieșire 339,108 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.72s Timp de răspuns (total) 476.67s Timp de răspuns (maxim) 124.75s Răspuns greșit: 9 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.7 Programare : 8.2 Combinat : 7.3 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#177#177	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
#178#178	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 396,120 Tokenuri de ieșire 31,386 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.78s Timp de răspuns (total) 247.96s Timp de răspuns (maxim) 79.61s Răspuns greșit: 7 Formatare suplimentară: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.4 Trucuri anti-AI : 5.5 Programare : 5.9 Combinat : 8.3 Parsare și extragere de date : 10.0 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
#180#180	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 8 Tokenuri de intrare 205,100 Tokenuri de ieșire 8,639 Tokenuri de raționament 21,409 Timp de răspuns (mediu) 7.37s Timp de răspuns (total) 169.54s Timp de răspuns (maxim) 74.39s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 6.0 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#181#181	Minimax M3.1 Flashlow	7.1	Minimax	$0.000	14.84s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 285,795 Tokenuri de ieșire 10,087 Tokenuri de raționament 86,695 Timp de răspuns (mediu) 14.84s Timp de răspuns (total) 341.25s Timp de răspuns (maxim) 133.79s Răspuns greșit: 9 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 5.7 Combinat : 7.2 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#182#182	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 256,428 Tokenuri de ieșire 9,786 Tokenuri de raționament 575,630 Timp de răspuns (mediu) 54.57s Timp de răspuns (total) 1255.15s Timp de răspuns (maxim) 345.18s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 8.4 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#183#183	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 7 Tokenuri de intrare 259,664 Tokenuri de ieșire 8,414 Tokenuri de raționament 333,097 Timp de răspuns (mediu) 49.20s Timp de răspuns (total) 1131.69s Timp de răspuns (maxim) 316.27s Răspuns greșit: 5 Formatare suplimentară: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 8.7 Parsare și extragere de date : 2.7 Specific domeniului : 3.6 Inteligență generală : 5.4 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#184#184	GPT-5.2 Chatdefault	7.0	OpenAI	$0.594	7.43s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 4 Tokenuri de intrare 101,104 Tokenuri de ieșire 10,414 Tokenuri de raționament 19,328 Timp de răspuns (mediu) 7.43s Timp de răspuns (total) 163.35s Timp de răspuns (maxim) 38.52s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#185#185	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
#186#186	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 272,221 Tokenuri de ieșire 12,345 Tokenuri de raționament 47,189 Timp de răspuns (mediu) 6.78s Timp de răspuns (total) 155.96s Timp de răspuns (maxim) 54.91s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 7.2 Parsare și extragere de date : 10.0 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
#187#187	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 5 Tokenuri de intrare 245,179 Tokenuri de ieșire 62,697 Tokenuri de raționament 196,621 Timp de răspuns (mediu) 81.18s Timp de răspuns (total) 1785.87s Timp de răspuns (maxim) 365.80s Răspuns greșit: 8 Timp expirat: 2 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.3 Programare : 7.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#190#190	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 5 Tokenuri de intrare 251,695 Tokenuri de ieșire 49,415 Tokenuri de raționament 472,775 Timp de răspuns (mediu) 66.96s Timp de răspuns (total) 1539.99s Timp de răspuns (maxim) 519.30s Răspuns greșit: 5 Apel de instrument invalid: 2 Timp expirat: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#191#191	Grok 4.6low	6.9	X AI	$0.781	16.44s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 263,427 Tokenuri de ieșire 6,006 Tokenuri de raționament 36,309 Timp de răspuns (mediu) 16.44s Timp de răspuns (total) 378.14s Timp de răspuns (maxim) 57.97s Răspuns greșit: 8 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#192#192	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 2 Tokenuri de intrare 251,677 Tokenuri de ieșire 11,196 Tokenuri de raționament 31,204 Timp de răspuns (mediu) 8.51s Timp de răspuns (total) 195.76s Timp de răspuns (maxim) 52.64s Răspuns greșit: 7 Sarcini agentice : 5.0 Trucuri anti-AI : 10.0 Programare : 5.8 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#193#193	Muse Glimmer 30Blow	6.9	Meta	$0.219 ↓	22.40s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 6 Tokenuri de intrare 307,228 Tokenuri de ieșire 36,044 Tokenuri de raționament 71,621 Timp de răspuns (mediu) 22.40s Timp de răspuns (total) 515.14s Timp de răspuns (maxim) 234.92s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.7 Programare : 8.1 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#194#194	Minimax M3.1 Flashmax	6.9	Minimax	$0.000	40.94s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 6 Tokenuri de intrare 398,523 Tokenuri de ieșire 7,992 Tokenuri de raționament 303,691 Timp de răspuns (mediu) 40.94s Timp de răspuns (total) 941.68s Timp de răspuns (maxim) 256.57s Răspuns greșit: 8 Apel de instrument invalid: 2 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.4 Programare : 10.0 Combinat : 6.4 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#195#195	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 2 Tokenuri de intrare 228,023 Tokenuri de ieșire 10,779 Tokenuri de raționament 53,188 Timp de răspuns (mediu) 6.27s Timp de răspuns (total) 144.10s Timp de răspuns (maxim) 47.78s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.1 Programare : 5.5 Combinat : 7.2 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#197#197	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 3 Tokenuri de intrare 251,164 Tokenuri de ieșire 36,112 Tokenuri de raționament 241,203 Timp de răspuns (mediu) 78.76s Timp de răspuns (total) 1653.96s Timp de răspuns (maxim) 437.40s Răspuns greșit: 4 Eroare API: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 4.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#198#198	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 5 Tokenuri de intrare 202,680 Tokenuri de ieșire 9,230 Tokenuri de raționament 18,771 Timp de răspuns (mediu) 6.96s Timp de răspuns (total) 160.19s Timp de răspuns (maxim) 45.74s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#199#199	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
#200#200	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 2 Tokenuri de intrare 345,059 Tokenuri de ieșire 24,343 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.54s Timp de răspuns (total) 173.31s Timp de răspuns (maxim) 65.07s Răspuns greșit: 5 Formatare suplimentară: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 9.8 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#201#201	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 4 Tokenuri de intrare 226,880 Tokenuri de ieșire 65,346 Tokenuri de raționament 331,325 Timp de răspuns (mediu) 121.25s Timp de răspuns (total) 2667.55s Timp de răspuns (maxim) 876.20s Răspuns greșit: 4 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.0 Programare : 5.7 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#202#202	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 349,177 Tokenuri de ieșire 54,279 Tokenuri de raționament 477,389 Timp de răspuns (mediu) 83.68s Timp de răspuns (total) 1840.92s Timp de răspuns (maxim) 515.38s Răspuns greșit: 5 Timp expirat: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 3.7 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#203#203	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 56.5% Teste instabile 4 Tokenuri de intrare 213,901 Tokenuri de ieșire 9,623 Tokenuri de raționament 12,414 Timp de răspuns (mediu) 6.81s Timp de răspuns (total) 156.70s Timp de răspuns (maxim) 44.24s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 5.1 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#204#204	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 397,291 Tokenuri de ieșire 6,355 Tokenuri de raționament 143,752 Timp de răspuns (mediu) 6.66s Timp de răspuns (total) 153.29s Timp de răspuns (maxim) 74.63s Răspuns greșit: 4 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 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