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)
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.7 Rată de trecere pe încercare 36.2% Teste instabile 3 Tokenuri de intrare 337,756 Tokenuri de ieșire 292,779 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.63s Timp de răspuns (total) 382.53s Timp de răspuns (maxim) 247.66s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 3.7 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#350#350	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate N/D Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 28,848 Tokenuri de ieșire 1,490 Tokenuri de raționament 10,102 Timp de răspuns (mediu) 9.05s Timp de răspuns (total) 90.53s Timp de răspuns (maxim) 26.24s Eroare API: 4 Răspuns greșit: 3 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 3.0 Combinat : 1.5 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 : 10.0 Cultură generală : 3.0
#288#288	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 3 Tokenuri de intrare 213,564 Tokenuri de ieșire 7,381 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.11s Timp de răspuns (total) 94.52s Timp de răspuns (maxim) 57.98s Răspuns greșit: 12 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.6 Cultură generală : 3.0
#51#51	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 89.9% Teste instabile 3 Tokenuri de intrare 197,570 Tokenuri de ieșire 6,364 Tokenuri de raționament 50,704 Timp de răspuns (mediu) 6.82s Timp de răspuns (total) 156.81s Timp de răspuns (maxim) 48.53s Răspuns greșit: 4 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 7.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#81#81	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.9 Rată de trecere pe încercare 82.6% Teste instabile 6 Tokenuri de intrare 296,001 Tokenuri de ieșire 8,105 Tokenuri de raționament 600,178 Timp de răspuns (mediu) 49.88s Timp de răspuns (total) 1147.24s Timp de răspuns (maxim) 310.51s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Eroare API: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#332#332	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 9.6 Rată de trecere pe încercare 66.7% Teste instabile 5 Tokenuri de intrare 40,961 Tokenuri de ieșire 2,518 Tokenuri de raționament 81,801 Timp de răspuns (mediu) 22.16s Timp de răspuns (total) 443.22s Timp de răspuns (maxim) 136.29s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 2.3 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#241#241	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 7 Tokenuri de intrare 253,462 Tokenuri de ieșire 40,269 Tokenuri de raționament 185,716 Timp de răspuns (mediu) 56.72s Timp de răspuns (total) 1304.54s Timp de răspuns (maxim) 333.34s Răspuns greșit: 4 Formatare suplimentară: 3 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 44.9% Teste instabile 10 Tokenuri de intrare 277,130 Tokenuri de ieșire 45,188 Tokenuri de raționament 129,163 Timp de răspuns (mediu) 50.32s Timp de răspuns (total) 1107.03s Timp de răspuns (maxim) 198.82s Răspuns greșit: 6 Nu a urmat instrucțiunile: 5 Apel de instrument invalid: 2 Fără răspuns: 2 Timp expirat: 2 Eroare API: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 7.9 Programare : 5.7 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#261#261	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 4 Tokenuri de intrare 35,593 Tokenuri de ieșire 12,245 Tokenuri de raționament 62,277 Timp de răspuns (mediu) 23.00s Timp de răspuns (total) 482.97s Timp de răspuns (maxim) 194.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#168#168	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.9 Rată de trecere pe încercare 81.2% Teste instabile 5 Tokenuri de intrare 215,836 Tokenuri de ieșire 9,452 Tokenuri de raționament 33,289 Timp de răspuns (mediu) 7.54s Timp de răspuns (total) 173.36s Timp de răspuns (maxim) 67.18s Răspuns greșit: 6 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 5.4 Combinat : 3.8 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
#83#83	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
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 214,645 Tokenuri de ieșire 15,532 Tokenuri de raționament 103,679 Timp de răspuns (mediu) 29.42s Timp de răspuns (total) 676.56s Timp de răspuns (maxim) 111.48s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.1 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 2 Tokenuri de intrare 405,921 Tokenuri de ieșire 97,112 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.79s Timp de răspuns (total) 340.25s Timp de răspuns (maxim) 212.63s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 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	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 6 Tokenuri de intrare 231,356 Tokenuri de ieșire 43,054 Tokenuri de raționament 370,981 Timp de răspuns (mediu) 88.15s Timp de răspuns (total) 2027.36s Timp de răspuns (maxim) 438.65s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 7.3 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 8.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.7 Rată de trecere pe încercare 78.3% Teste instabile 2 Tokenuri de intrare 348,967 Tokenuri de ieșire 1,005 Tokenuri de raționament 676,075 Timp de răspuns (mediu) 166.34s Timp de răspuns (total) 3825.81s Timp de răspuns (maxim) 640.85s Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#198#198	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
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 1 Tokenuri de intrare 236,599 Tokenuri de ieșire 11,561 Tokenuri de raționament 4,975 Timp de răspuns (mediu) 5.30s Timp de răspuns (total) 121.91s Timp de răspuns (maxim) 48.02s Răspuns greșit: 13 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 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
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.7 Rată de trecere pe încercare 31.9% Teste instabile 2 Tokenuri de intrare 257,872 Tokenuri de ieșire 54,388 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.43s Timp de răspuns (total) 469.88s Timp de răspuns (maxim) 192.80s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.6 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 6 Tokenuri de intrare 269,497 Tokenuri de ieșire 34,935 Tokenuri de raționament 145,752 Timp de răspuns (mediu) 33.97s Timp de răspuns (total) 781.36s Timp de răspuns (maxim) 181.08s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 9.2 Programare : 8.4 Combinat : 6.5 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#18#18	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
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 202,347 Tokenuri de ieșire 6,660 Tokenuri de raționament 68,002 Timp de răspuns (mediu) 8.16s Timp de răspuns (total) 187.58s Timp de răspuns (maxim) 58.39s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.4 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 : 10.0
#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
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 4 Tokenuri de intrare 275,349 Tokenuri de ieșire 49,377 Tokenuri de raționament 12 Timp de răspuns (mediu) 35.86s Timp de răspuns (total) 609.61s Timp de răspuns (maxim) 321.19s Răspuns greșit: 17 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 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
#313#313	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.0 Rată de trecere pe încercare 37.7% Teste instabile 6 Tokenuri de intrare 319,668 Tokenuri de ieșire 32,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.51s Timp de răspuns (total) 402.66s Timp de răspuns (maxim) 132.84s Răspuns greșit: 12 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 3.0 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#188#188	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
#215#215	GLM 5.2none	6.6	Z.ai	$0.250 ↑	11.27s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 3 Tokenuri de intrare 247,919 Tokenuri de ieșire 17,685 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.27s Timp de răspuns (total) 259.32s Timp de răspuns (maxim) 79.65s Răspuns greșit: 8 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.3 Programare : 3.7 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 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