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)
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 1 Tokenuri de intrare 123,273 Tokenuri de ieșire 19,362 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.67s Timp de răspuns (total) 122.78s Timp de răspuns (maxim) 51.18s Răspuns greșit: 5 Formatare suplimentară: 4 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.9 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 262,387 Tokenuri de ieșire 7,344 Tokenuri de raționament 338,881 Timp de răspuns (mediu) 115.00s Timp de răspuns (total) 2645.11s Timp de răspuns (maxim) 560.39s Răspuns greșit: 8 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 10.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#48#48	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 84.1% Teste instabile 2 Tokenuri de intrare 244,529 Tokenuri de ieșire 6,784 Tokenuri de raționament 213,142 Timp de răspuns (mediu) 11.92s Timp de răspuns (total) 274.14s Timp de răspuns (maxim) 53.09s Răspuns greșit: 5 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 9.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 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
#62#62	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.7 Rată de trecere pe încercare 75.4% Teste instabile 3 Tokenuri de intrare 282,490 Tokenuri de ieșire 8,621 Tokenuri de raționament 455,535 Timp de răspuns (mediu) 33.27s Timp de răspuns (total) 765.12s Timp de răspuns (maxim) 205.53s Răspuns greșit: 5 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 : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.9 Rată de trecere pe încercare 76.8% Teste instabile 3 Tokenuri de intrare 278,684 Tokenuri de ieșire 10,151 Tokenuri de raționament 48,907 Timp de răspuns (mediu) 21.62s Timp de răspuns (total) 497.25s Timp de răspuns (maxim) 119.16s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 9.2 Programare : 10.0 Combinat : 8.4 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#180#180	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
#63#63	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 280,643 Tokenuri de ieșire 7,342 Tokenuri de raționament 437,323 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.34s Timp de răspuns (maxim) 276.31s Răspuns greșit: 5 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 : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 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
#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
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.7% Teste instabile 2 Tokenuri de intrare 188,003 Tokenuri de ieșire 2,914 Tokenuri de raționament 113,210 Timp de răspuns (mediu) 14.03s Timp de răspuns (total) 322.73s Timp de răspuns (maxim) 77.15s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#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
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 4 Tokenuri de intrare 319,524 Tokenuri de ieșire 440,835 Tokenuri de raționament 0 Timp de răspuns (mediu) 26.57s Timp de răspuns (total) 611.09s Timp de răspuns (maxim) 152.83s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.7 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#221#221	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 8 Tokenuri de intrare 87,682 Tokenuri de ieșire 7,166 Tokenuri de raționament 106,027 Timp de răspuns (mediu) 19.40s Timp de răspuns (total) 446.11s Timp de răspuns (maxim) 209.15s Răspuns greșit: 10 Eroare API: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 6.9 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 6 Tokenuri de intrare 249,486 Tokenuri de ieșire 14,481 Tokenuri de raționament 288,249 Timp de răspuns (mediu) 97.68s Timp de răspuns (total) 1562.81s Timp de răspuns (maxim) 304.85s Răspuns greșit: 6 Timp expirat: 2 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.2 Programare : 6.6 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 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
#200#200	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 4 Tokenuri de intrare 235,086 Tokenuri de ieșire 7,989 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.02s Timp de răspuns (total) 207.45s Timp de răspuns (maxim) 57.02s Răspuns greșit: 10 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
Vezi fișa modelului Total teste 19 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 4 Tokenuri de intrare 11,793 Tokenuri de ieșire 1,809 Tokenuri de raționament 265,466 Timp de răspuns (mediu) 28.69s Timp de răspuns (total) 459.00s Timp de răspuns (maxim) 138.35s Răspuns greșit: 7 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 0.0 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#210#210	GPT 5.3 Chatdefault	6.7	OpenAI	$0.533	6.31s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 4 Tokenuri de intrare 78,846 Tokenuri de ieșire 7,635 Tokenuri de raționament 20,544 Timp de răspuns (mediu) 6.31s Timp de răspuns (total) 138.73s Timp de răspuns (maxim) 18.33s Răspuns greșit: 6 Eroare API: 2 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 6.7 Programare : 5.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 94.2% Teste instabile 1 Tokenuri de intrare 172,860 Tokenuri de ieșire 5,172 Tokenuri de raționament 13,179 Timp de răspuns (mediu) 8.90s Timp de răspuns (total) 204.78s Timp de răspuns (maxim) 51.03s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 4.7
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.7% Teste instabile 2 Tokenuri de intrare 233,400 Tokenuri de ieșire 6,922 Tokenuri de raționament 173,178 Timp de răspuns (mediu) 15.10s Timp de răspuns (total) 347.23s Timp de răspuns (maxim) 91.63s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#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
#80#80	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 1 Tokenuri de intrare 487,516 Tokenuri de ieșire 10,212 Tokenuri de raționament 909,487 Timp de răspuns (mediu) 61.71s Timp de răspuns (total) 1419.40s Timp de răspuns (maxim) 288.94s Fără răspuns: 3 Răspuns greșit: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 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
#240#240	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 1 Tokenuri de intrare 230,004 Tokenuri de ieșire 18,040 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.67s Timp de răspuns (total) 107.45s Timp de răspuns (maxim) 49.23s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#229#229	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 6 Tokenuri de intrare 106,085 Tokenuri de ieșire 9,071 Tokenuri de raționament 135,288 Timp de răspuns (mediu) 21.21s Timp de răspuns (total) 487.83s Timp de răspuns (maxim) 199.97s Răspuns greșit: 10 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 7.0 Programare : 6.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 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