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: 2026-07-18 Modele evaluate: 206

206/206

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#184#184	Cobuddymedium	4.7	Baidu	$0.000	39.90s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 6 Tokenuri de intrare 37,449 Tokenuri de ieșire 1,677 Tokenuri de raționament 116,703 Timp de răspuns (mediu) 39.90s Timp de răspuns (total) 797.98s Timp de răspuns (maxim) 309.02s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.7 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 4.2 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#187#187	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
#192#192	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 37.9% Teste instabile 4 Tokenuri de intrare 34,329 Tokenuri de ieșire 2,264 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.70s Timp de răspuns (total) 79.86s Timp de răspuns (maxim) 15.17s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 3.5 Programare : 9.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 10.0 Cultură generală : 0.0
#193#193	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
#120#120	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
#123#123	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
#134#134	Kimi K2.6none	5.8	Moonshot AI	$0.233 ↑	19.58s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 2 Tokenuri de intrare 116,970 Tokenuri de ieșire 30,253 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.58s Timp de răspuns (total) 430.85s Timp de răspuns (maxim) 238.89s Răspuns greșit: 11 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 4.6 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#135#135	GPT-5.4none	5.8	OpenAI	$0.397	2.07s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 2 Tokenuri de intrare 108,632 Tokenuri de ieșire 8,321 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.07s Timp de răspuns (total) 45.51s Timp de răspuns (maxim) 15.63s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.2 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	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
#147#147	GLM 5.1none	5.5	Z.ai	$0.164 ↓	6.70s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 5 Tokenuri de intrare 124,209 Tokenuri de ieșire 14,393 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.70s Timp de răspuns (total) 147.38s Timp de răspuns (maxim) 61.20s Răspuns greșit: 13 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 4.0 Programare : 3.9 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#148#148	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
#154#154	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
#194#194	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 6 Tokenuri de intrare 39,481 Tokenuri de ieșire 54,218 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.73s Timp de răspuns (total) 100.98s Timp de răspuns (maxim) 29.11s Răspuns greșit: 6 Eroare API: 4 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 2.1 Combinat : 1.5 Parsare și extragere de date : 7.1 Specific domeniului : 4.1 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 4.7 Cultură generală : 3.0
#202#202	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 9,081 Tokenuri de ieșire 51,664 Tokenuri de raționament 0 Timp de răspuns (mediu) 21.61s Timp de răspuns (total) 345.79s Timp de răspuns (maxim) 113.71s Răspuns greșit: 8 Eroare API: 3 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#166#166	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
#191#191	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 28.8% Teste instabile 1 Tokenuri de intrare 33,744 Tokenuri de ieșire 2,596 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.27s Timp de răspuns (total) 22.82s Timp de răspuns (maxim) 3.70s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#132#132	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
#138#138	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.247 ↓	12.92s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 241,566 Tokenuri de ieșire 88,458 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.92s Timp de răspuns (total) 284.21s Timp de răspuns (maxim) 212.63s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 3.7 Combinat : 5.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#150#150	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
#151#151	Kimi K2.5none	5.5	Moonshot AI	$0.127 ↑	19.15s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 4 Tokenuri de intrare 89,322 Tokenuri de ieșire 26,638 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.15s Timp de răspuns (total) 287.30s Timp de răspuns (maxim) 102.83s Răspuns greșit: 15 Fără răspuns: 1 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#155#155	GPT-5.6 Lunanone	5.4	OpenAI	$0.142	1.50s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 3 Tokenuri de intrare 101,323 Tokenuri de ieșire 6,709 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.50s Timp de răspuns (total) 32.91s Timp de răspuns (maxim) 10.57s Răspuns greșit: 14 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#160#160	Inklingnone	5.2	Thinkingmachines	$0.147	3.50s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 9.9 Rată de trecere pe încercare 28.8% Teste instabile 1 Tokenuri de intrare 104,111 Tokenuri de ieșire 10,551 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.50s Timp de răspuns (total) 77.09s Timp de răspuns (maxim) 48.02s Răspuns greșit: 13 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 3.0 Cultură generală : 3.0
#169#169	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
#172#172	GLM 4.7 Flashnone	4.9	Z.ai	$0.016	9.15s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 34.9% Teste instabile 3 Tokenuri de intrare 101,504 Tokenuri de ieșire 22,992 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.15s Timp de răspuns (total) 137.18s Timp de răspuns (maxim) 97.15s Răspuns greșit: 13 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.2 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 2.8 Cultură generală : 3.0
#174#174	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.68s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 114,375 Tokenuri de ieșire 14,903 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.68s Timp de răspuns (total) 213.51s Timp de răspuns (maxim) 36.03s Răspuns greșit: 9 Apel de instrument invalid: 3 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.8 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#201#201	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% Teste instabile 0 Tokenuri de intrare 33,675 Tokenuri de ieșire 2,826 Tokenuri de raționament 0 Timp de răspuns (mediu) 806ms Timp de răspuns (total) 12.09s Timp de răspuns (maxim) 2.01s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.0 Programare : 8.3 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#189#189	Elephant Alphanone	4.3	Openrouter	$0.000	1.22s
Vezi fișa modelului Total teste 21 Teste greșite 16 Fiabilitate N/D Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 33,743 Tokenuri de ieșire 2,573 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.22s Timp de răspuns (total) 22.03s Timp de răspuns (maxim) 3.81s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 4.2 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#146#146	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
#156#156	Laguna XS 2.1none	5.3	Poolside	$0.008	1.55s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 3 Tokenuri de intrare 91,598 Tokenuri de ieșire 13,377 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.55s Timp de răspuns (total) 34.19s Timp de răspuns (maxim) 19.02s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 5.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#161#161	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

←

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