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)
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.3 Rată de trecere pe încercare 66.7% Teste instabile 1 Tokenuri de intrare 94,153 Tokenuri de ieșire 9,606 Tokenuri de raționament 142,834 Timp de răspuns (mediu) 22.96s Timp de răspuns (total) 528.08s Timp de răspuns (maxim) 143.21s Eroare API: 6 Răspuns greșit: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.8 Cultură generală : 2.8
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
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 229,986 Tokenuri de ieșire 6,037 Tokenuri de raționament 95,550 Timp de răspuns (mediu) 20.37s Timp de răspuns (total) 468.52s Timp de răspuns (maxim) 106.93s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 6 Tokenuri de intrare 278,792 Tokenuri de ieșire 1,695 Tokenuri de raționament 142,270 Timp de răspuns (mediu) 24.79s Timp de răspuns (total) 570.26s Timp de răspuns (maxim) 159.62s Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 1 Tokenuri de intrare 315,290 Tokenuri de ieșire 1,607 Tokenuri de raționament 207,536 Timp de răspuns (mediu) 46.60s Timp de răspuns (total) 1071.83s Timp de răspuns (maxim) 376.04s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 7.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#156#156	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 5 Tokenuri de intrare 257,138 Tokenuri de ieșire 13,830 Tokenuri de raționament 55,775 Timp de răspuns (mediu) 16.98s Timp de răspuns (total) 390.45s Timp de răspuns (maxim) 85.12s Răspuns greșit: 5 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.7 Programare : 8.4 Combinat : 7.3 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 : 3.0 Cultură generală : 2.8
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
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 157,142 Tokenuri de ieșire 8,149 Tokenuri de raționament 24,357 Timp de răspuns (mediu) 11.87s Timp de răspuns (total) 272.91s Timp de răspuns (maxim) 36.59s Răspuns greșit: 3 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 7.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 2.8
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
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 326,066 Tokenuri de ieșire 5,726 Tokenuri de raționament 469,019 Timp de răspuns (mediu) 117.65s Timp de răspuns (total) 2706.03s Timp de răspuns (maxim) 660.89s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 1 Tokenuri de intrare 132,507 Tokenuri de ieșire 12,739 Tokenuri de raționament 228,626 Timp de răspuns (mediu) 20.51s Timp de răspuns (total) 471.64s Timp de răspuns (maxim) 140.50s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 8.4 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#163#163	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 3 Tokenuri de intrare 222,601 Tokenuri de ieșire 8,185 Tokenuri de raționament 238,605 Timp de răspuns (mediu) 57.41s Timp de răspuns (total) 1263.02s Timp de răspuns (maxim) 307.08s Răspuns greșit: 6 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 6.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#187#187	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
#199#199	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
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 1 Tokenuri de intrare 106,316 Tokenuri de ieșire 79,338 Tokenuri de raționament 41,089 Timp de răspuns (mediu) 28.08s Timp de răspuns (total) 421.15s Timp de răspuns (maxim) 140.96s Răspuns greșit: 4 Formatare suplimentară: 3 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.5 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.5 Rată de trecere pe încercare 78.3% Teste instabile 7 Tokenuri de intrare 298,476 Tokenuri de ieșire 7,762 Tokenuri de raționament 515,918 Timp de răspuns (mediu) 148.11s Timp de răspuns (total) 3406.53s Timp de răspuns (maxim) 904.91s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 2.8
#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
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.9 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 287,538 Tokenuri de ieșire 118,266 Tokenuri de raționament 346,758 Timp de răspuns (mediu) 97.70s Timp de răspuns (total) 2247.18s Timp de răspuns (maxim) 576.79s Răspuns greșit: 4 Fără răspuns: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 229,530 Tokenuri de ieșire 13,757 Tokenuri de raționament 92,662 Timp de răspuns (mediu) 48.87s Timp de răspuns (total) 1123.91s Timp de răspuns (maxim) 254.92s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 8.0 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 6.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 9.0 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
#106#106	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 298,794 Tokenuri de ieșire 45,873 Tokenuri de raționament 188,721 Timp de răspuns (mediu) 55.99s Timp de răspuns (total) 1287.87s Timp de răspuns (maxim) 218.13s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.8 Rată de trecere pe încercare 68.1% Teste instabile 3 Tokenuri de intrare 482,754 Tokenuri de ieșire 62,455 Tokenuri de raționament 141,067 Timp de răspuns (mediu) 40.33s Timp de răspuns (total) 927.65s Timp de răspuns (maxim) 392.56s Răspuns greșit: 7 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#113#113	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 6 Tokenuri de intrare 176,890 Tokenuri de ieșire 5,688 Tokenuri de raționament 18,525 Timp de răspuns (mediu) 7.58s Timp de răspuns (total) 174.39s Timp de răspuns (maxim) 54.57s Răspuns greșit: 8 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 6.6 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 4.7 Cultură generală : 3.0
#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
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 75.4% Teste instabile 7 Tokenuri de intrare 219,811 Tokenuri de ieșire 8,811 Tokenuri de raționament 59,671 Timp de răspuns (mediu) 28.38s Timp de răspuns (total) 652.78s Timp de răspuns (maxim) 159.91s Răspuns greșit: 6 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.8 Rată de trecere pe încercare 72.5% Teste instabile 5 Tokenuri de intrare 269,143 Tokenuri de ieșire 6,833 Tokenuri de raționament 785,200 Timp de răspuns (mediu) 84.94s Timp de răspuns (total) 1953.70s Timp de răspuns (maxim) 527.47s Răspuns greșit: 4 Fără răspuns: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#136#136	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.7 Rată de trecere pe încercare 65.2% Teste instabile 2 Tokenuri de intrare 176,539 Tokenuri de ieșire 4,419 Tokenuri de raționament 195,929 Timp de răspuns (mediu) 54.06s Timp de răspuns (total) 1189.36s Timp de răspuns (maxim) 203.01s Răspuns greșit: 8 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.9 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#139#139	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.1 Rată de trecere pe încercare 65.2% Teste instabile 2 Tokenuri de intrare 93,060 Tokenuri de ieșire 10,305 Tokenuri de raționament 171,683 Timp de răspuns (mediu) 34.40s Timp de răspuns (total) 791.16s Timp de răspuns (maxim) 236.64s Eroare API: 6 Răspuns greșit: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 2.8

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