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)
#267#267	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 8 Tokenuri de intrare 363,310 Tokenuri de ieșire 381,919 Tokenuri de raționament 0 Timp de răspuns (mediu) 60.03s Timp de răspuns (total) 1380.67s Timp de răspuns (maxim) 459.99s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.4 Programare : 6.6 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 5.6 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#268#268	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 8 Tokenuri de intrare 87,916 Tokenuri de ieșire 7,213 Tokenuri de raționament 132,162 Timp de răspuns (mediu) 23.94s Timp de răspuns (total) 550.52s Timp de răspuns (maxim) 257.00s Răspuns greșit: 9 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 7.8 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#269#269	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
#270#270	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 4 Tokenuri de intrare 349,876 Tokenuri de ieșire 39,789 Tokenuri de raționament 0 Timp de răspuns (mediu) 27.42s Timp de răspuns (total) 630.70s Timp de răspuns (maxim) 387.15s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Formatare suplimentară: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 3.4 Programare : 4.3 Combinat : 3.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 9.5 Cultură generală : 3.0
#271#271	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 261,962 Tokenuri de ieșire 12,799 Tokenuri de raționament 2,961 Timp de răspuns (mediu) 3.60s Timp de răspuns (total) 82.91s Timp de răspuns (maxim) 48.59s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#272#272	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 3 Tokenuri de intrare 209,116 Tokenuri de ieșire 10,031 Tokenuri de raționament 16,042 Timp de răspuns (mediu) 11.40s Timp de răspuns (total) 262.14s Timp de răspuns (maxim) 34.77s Formatare suplimentară: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Eroare API: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 6.5 Programare : 3.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#273#273	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 4 Tokenuri de intrare 246,061 Tokenuri de ieșire 3,828 Tokenuri de raționament 149,767 Timp de răspuns (mediu) 14.13s Timp de răspuns (total) 268.55s Timp de răspuns (maxim) 85.26s Eroare API: 4 Răspuns greșit: 4 Apel de instrument invalid: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 3.0 Parsare și extragere de date : 6.5 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
#274#274	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 5 Tokenuri de intrare 232,218 Tokenuri de ieșire 4,944 Tokenuri de raționament 142,263 Timp de răspuns (mediu) 9.03s Timp de răspuns (total) 207.67s Timp de răspuns (maxim) 36.04s Răspuns greșit: 7 Eroare API: 3 Nu a urmat instrucțiunile: 2 Sarcini agentice : 3.0 Trucuri anti-AI : 8.8 Programare : 8.4 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#275#275	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 7 Tokenuri de intrare 319,352 Tokenuri de ieșire 158,447 Tokenuri de raționament 875,524 Timp de răspuns (mediu) 84.01s Timp de răspuns (total) 1932.24s Timp de răspuns (maxim) 525.14s Răspuns greșit: 9 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Sarcini agentice : 6.1 Trucuri anti-AI : 6.8 Programare : 7.5 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 5.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#276#276	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
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 321,894 Tokenuri de ieșire 139,334 Tokenuri de raționament 369,481 Timp de răspuns (mediu) 33.68s Timp de răspuns (total) 774.73s Timp de răspuns (maxim) 163.05s Răspuns greșit: 9 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.7 Programare : 5.1 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.7 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#277#277	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
#281#281	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 68.1% Teste instabile 8 Tokenuri de intrare 98,508 Tokenuri de ieșire 8,088 Tokenuri de raționament 131,484 Timp de răspuns (mediu) 24.96s Timp de răspuns (total) 574.12s Timp de răspuns (maxim) 335.41s Răspuns greșit: 10 Eroare API: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 6.1 Combinat : 4.1 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#283#283	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
#284#284	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 9 Tokenuri de intrare 277,028 Tokenuri de ieșire 11,965 Tokenuri de raționament 31,238 Timp de răspuns (mediu) 9.69s Timp de răspuns (total) 222.83s Timp de răspuns (maxim) 77.99s Răspuns greșit: 10 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#285#285	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 2 Tokenuri de intrare 278,866 Tokenuri de ieșire 82,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.66s Timp de răspuns (total) 222.07s Timp de răspuns (maxim) 106.86s Răspuns greșit: 10 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 5.6 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#286#286	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 50.7% Teste instabile 3 Tokenuri de intrare 100,255 Tokenuri de ieșire 6,422 Tokenuri de raționament 49,847 Timp de răspuns (mediu) 6.03s Timp de răspuns (total) 138.65s Timp de răspuns (maxim) 17.26s Răspuns greșit: 6 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.3 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 3.0 Cultură generală : 3.0
#287#287	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 39.1% Teste instabile 3 Tokenuri de intrare 314,113 Tokenuri de ieșire 17,558 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.49s Timp de răspuns (total) 172.19s Timp de răspuns (maxim) 75.99s Răspuns greșit: 14 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.0 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#288#288	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 3 Tokenuri de intrare 238,785 Tokenuri de ieșire 12,875 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.95s Timp de răspuns (total) 90.76s Timp de răspuns (maxim) 50.03s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#289#289	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 5 Tokenuri de intrare 285,293 Tokenuri de ieșire 29,565 Tokenuri de raționament 89,266 Timp de răspuns (mediu) 31.58s Timp de răspuns (total) 536.78s Timp de răspuns (maxim) 203.90s Răspuns greșit: 10 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.7 Programare : 5.9 Combinat : 6.5 Parsare și extragere de date : 6.4 Specific domeniului : 2.9 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.8 Cultură generală : 3.0
#291#291	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 388,929 Tokenuri de ieșire 57,714 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.63s Timp de răspuns (total) 175.42s Timp de răspuns (maxim) 93.47s Răspuns greșit: 13 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 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
#292#292	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 5 Tokenuri de intrare 393,560 Tokenuri de ieșire 30,466 Tokenuri de raționament 311 Timp de răspuns (mediu) 8.60s Timp de răspuns (total) 197.73s Timp de răspuns (maxim) 64.73s Răspuns greșit: 9 Formatare suplimentară: 4 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 5.3 Programare : 4.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.7 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#293#293	Nemotron 3 Ultranone	5.9	NVIDIA	$0.164 ↕	6.76s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 40.6% Teste instabile 2 Tokenuri de intrare 275,381 Tokenuri de ieșire 11,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.76s Timp de răspuns (total) 155.50s Timp de răspuns (maxim) 70.17s Răspuns greșit: 12 Eroare API: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#294#294	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 3 Tokenuri de intrare 410,787 Tokenuri de ieșire 117,742 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.70s Timp de răspuns (total) 338.13s Timp de răspuns (maxim) 186.24s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 3.0 Programare : 5.5 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 : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#295#295	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 43.5% Teste instabile 3 Tokenuri de intrare 266,004 Tokenuri de ieșire 9,077 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.71s Timp de răspuns (total) 131.36s Timp de răspuns (maxim) 65.25s Răspuns greșit: 14 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 6.1 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#296#296	DeepSeek V4.1 Flash 1017none	5.8	DeepSeek	$0.055	3.46s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 1 Tokenuri de intrare 293,927 Tokenuri de ieșire 16,806 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.46s Timp de răspuns (total) 79.48s Timp de răspuns (maxim) 43.95s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.6 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 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