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)
#177#177	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 48.5% Teste instabile 5 Tokenuri de intrare 721,952 Tokenuri de ieșire 294,668 Tokenuri de raționament 305,374 Timp de răspuns (mediu) 9.69s Timp de răspuns (total) 155.07s Timp de răspuns (maxim) 35.28s Răspuns greșit: 4 Eroare API: 2 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.9 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 3.0 Cultură generală : 0.0
#10#10	GPT-5.5medium	9.0	OpenAI	$4.137	38.42s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 87.9% Teste instabile 3 Tokenuri de intrare 80,659 Tokenuri de ieșire 5,617 Tokenuri de raționament 118,819 Timp de răspuns (mediu) 38.42s Timp de răspuns (total) 845.35s Timp de răspuns (maxim) 332.10s Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 8.8 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 : 2.8
#17#17	Claude Fable 5medium	8.6	Anthropic	$3.478	17.20s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 78.8% Teste instabile 1 Tokenuri de intrare 89,643 Tokenuri de ieșire 41,360 Tokenuri de raționament 10,269 Timp de răspuns (mediu) 17.20s Timp de răspuns (total) 378.41s Timp de răspuns (maxim) 80.80s Fără răspuns: 2 Răspuns greșit: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 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 : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#33#33	Kimi K3max	8.0	Moonshot AI	$3.112	122.48s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.1 Rată de trecere pe încercare 75.8% Teste instabile 1 Tokenuri de intrare 34,916 Tokenuri de ieșire 2,910 Tokenuri de raționament 197,529 Timp de răspuns (mediu) 122.48s Timp de răspuns (total) 2327.06s Timp de răspuns (maxim) 766.58s Eroare API: 2 Timp expirat: 2 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#43#43	Claude Opus 4.6medium	7.7	Anthropic	$3.059	34.27s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 3 Tokenuri de intrare 108,615 Tokenuri de ieșire 72,286 Tokenuri de raționament 28,315 Timp de răspuns (mediu) 34.27s Timp de răspuns (total) 513.99s Timp de răspuns (maxim) 151.51s Formatare suplimentară: 5 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 6.4 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 : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#159#159	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Vezi fișa modelului Total teste 16 Teste greșite 3 Fiabilitate N/D Rată de trecere pe încercare 59.1% Teste instabile 0 Tokenuri de intrare 28,980 Tokenuri de ieșire 1,283 Tokenuri de raționament 1,533,310 Timp de răspuns (mediu) 68.14s Timp de răspuns (total) 1090.28s Timp de răspuns (maxim) 280.52s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.5 Programare : 0.0 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#41#41	Claude Opus 4.8low	7.8	Anthropic	$2.077	12.74s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 80.3% Teste instabile 3 Tokenuri de intrare 156,525 Tokenuri de ieșire 43,141 Tokenuri de raționament 8,617 Timp de răspuns (mediu) 12.74s Timp de răspuns (total) 280.29s Timp de răspuns (maxim) 127.97s Răspuns greșit: 4 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 6.6 Combinat : 9.9 Parsare și extragere de date : 6.3 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
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 2 Tokenuri de intrare 106,292 Tokenuri de ieșire 80,748 Tokenuri de raționament 35,117 Timp de răspuns (mediu) 25.91s Timp de răspuns (total) 362.78s Timp de răspuns (maxim) 140.96s Răspuns greșit: 4 Formatare suplimentară: 3 Timp expirat: 1 Trucuri anti-AI : 6.5 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#139#139	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
Vezi fișa modelului Total teste 18 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 56.1% Teste instabile 4 Tokenuri de intrare 29,134 Tokenuri de ieșire 1,984 Tokenuri de raționament 1,355,583 Timp de răspuns (mediu) 61.96s Timp de răspuns (total) 1115.31s Timp de răspuns (maxim) 149.23s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 5.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.5	Google	$1.976	15.07s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 93.9% Teste instabile 2 Tokenuri de intrare 107,137 Tokenuri de ieșire 8,777 Tokenuri de raționament 192,900 Timp de răspuns (mediu) 15.07s Timp de răspuns (total) 331.48s Timp de răspuns (maxim) 145.92s Apel de instrument invalid: 1 Răspuns greșit: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 9.8 Cultură generală : 10.0
#14#14	Claude Opus 4.8medium	8.8	Anthropic	$1.931	12.49s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 84.9% Teste instabile 1 Tokenuri de intrare 138,451 Tokenuri de ieșire 40,766 Tokenuri de raționament 9,075 Timp de răspuns (mediu) 12.49s Timp de răspuns (total) 274.72s Timp de răspuns (maxim) 70.54s Răspuns greșit: 3 Fără răspuns: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 9.9 Parsare și extragere de date : 7.1 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
#22#22	Grok 4.5medium	8.3	X AI	$1.928	61.71s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 78.8% Teste instabile 3 Tokenuri de intrare 122,146 Tokenuri de ieșire 5,514 Tokenuri de raționament 275,053 Timp de răspuns (mediu) 61.71s Timp de răspuns (total) 1357.56s Timp de răspuns (maxim) 436.38s Răspuns greșit: 6 Trucuri anti-AI : 10.0 Programare : 7.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#12#12	Grok 4.5high	8.9	X AI	$1.707	76.50s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 2 Tokenuri de intrare 151,562 Tokenuri de ieșire 5,655 Tokenuri de raționament 247,540 Timp de răspuns (mediu) 76.50s Timp de răspuns (total) 1683.07s Timp de răspuns (maxim) 676.83s Fără răspuns: 2 Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 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
#27#27	Muse Spark 1.1high	8.1	Meta	$1.694	31.49s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.7% Teste instabile 6 Tokenuri de intrare 129,423 Tokenuri de ieșire 8,077 Tokenuri de raționament 352,421 Timp de răspuns (mediu) 31.49s Timp de răspuns (total) 661.28s Timp de răspuns (maxim) 196.03s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Fără răspuns: 1 Trucuri anti-AI : 7.5 Programare : 10.0 Combinat : 5.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 9.6 Cultură generală : 3.0
#58#58	Qwen3.5-27Bmedium	7.4	Qwen	$1.627 ↑	111.94s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 5 Tokenuri de intrare 111,635 Tokenuri de ieșire 15,999 Tokenuri de raționament 598,430 Timp de răspuns (mediu) 111.94s Timp de răspuns (total) 2462.67s 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 Trucuri anti-AI : 8.7 Programare : 6.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 77.3% Teste instabile 4 Tokenuri de intrare 81,127 Tokenuri de ieșire 6,155 Tokenuri de raționament 82,515 Timp de răspuns (mediu) 23.10s Timp de răspuns (total) 508.26s Timp de răspuns (maxim) 100.41s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.3 Programare : 8.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#15#15	Claude Opus 4.7medium	8.7	Anthropic	$1.477	7.61s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 83.3% Teste instabile 1 Tokenuri de intrare 145,252 Tokenuri de ieșire 24,948 Tokenuri de raționament 5,042 Timp de răspuns (mediu) 7.61s Timp de răspuns (total) 159.91s Timp de răspuns (maxim) 65.40s Răspuns greșit: 3 Timp expirat: 1 Trucuri anti-AI : 8.3 Programare : 7.6 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 : 3.0
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 90.9% Teste instabile 0 Tokenuri de intrare 92,287 Tokenuri de ieșire 5,232 Tokenuri de raționament 92,726 Timp de răspuns (mediu) 21.47s Timp de răspuns (total) 322.08s Timp de răspuns (maxim) 88.68s Răspuns greșit: 2 Trucuri anti-AI : 10.0 Programare : 7.9 Combinat : 9.8 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
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 2 Tokenuri de intrare 142,567 Tokenuri de ieșire 7,905 Tokenuri de raționament 269,225 Timp de răspuns (mediu) 24.97s Timp de răspuns (total) 549.31s Timp de răspuns (maxim) 165.38s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#4#4	GPT-5.6 Solmedium	9.4	OpenAI	$1.316	11.35s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 90.9% Teste instabile 3 Tokenuri de intrare 78,997 Tokenuri de ieșire 4,696 Tokenuri de raționament 26,002 Timp de răspuns (mediu) 11.35s Timp de răspuns (total) 249.73s Timp de răspuns (maxim) 79.40s Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 4.7
#6#6	GPT-5.5low	9.3	OpenAI	$1.253	10.13s
Vezi fișa modelului Total teste 22 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 86.4% Teste instabile 0 Tokenuri de intrare 80,058 Tokenuri de ieșire 5,378 Tokenuri de raționament 23,040 Timp de răspuns (mediu) 10.13s Timp de răspuns (total) 222.82s Timp de răspuns (maxim) 56.19s Răspuns greșit: 3 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 : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#5#5	GPT-5.6 Solhigh	9.4	OpenAI	$1.234	11.73s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 89.4% Teste instabile 3 Tokenuri de intrare 79,249 Tokenuri de ieșire 4,855 Tokenuri de raționament 23,044 Timp de răspuns (mediu) 11.73s Timp de răspuns (total) 257.99s Timp de răspuns (maxim) 54.79s Răspuns greșit: 4 Trucuri anti-AI : 8.7 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 : 4.7
#67#67	Kimi K2.6medium	7.2	Moonshot AI	$1.222 ↑	109.98s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 9.4 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 68,902 Tokenuri de ieșire 111,680 Tokenuri de raționament 279,860 Timp de răspuns (mediu) 109.98s Timp de răspuns (total) 2309.56s Timp de răspuns (maxim) 876.20s Timp expirat: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 7.0 Programare : 5.7 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#85#85	Step 3.7 Flashhigh	6.9	Stepfun	$1.207	64.68s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 5 Tokenuri de intrare 98,691 Tokenuri de ieșire 1,032,395 Tokenuri de raționament 0 Timp de răspuns (mediu) 64.68s Timp de răspuns (total) 1423.01s Timp de răspuns (maxim) 364.99s Răspuns greșit: 6 Fără răspuns: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 4.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#65#65	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.91s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 2 Tokenuri de intrare 149,206 Tokenuri de ieșire 16,797 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.91s Timp de răspuns (total) 108.03s Timp de răspuns (maxim) 35.03s Răspuns greșit: 4 Formatare suplimentară: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 9.8 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#19#19	Qwen3.6 Max Previewmedium	8.4	Qwen	$1.143 ↓	67.53s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.9 Rată de trecere pe încercare 80.3% Teste instabile 3 Tokenuri de intrare 79,240 Tokenuri de ieșire 5,098 Tokenuri de raționament 164,842 Timp de răspuns (mediu) 67.53s Timp de răspuns (total) 1485.64s Timp de răspuns (maxim) 238.07s Răspuns greșit: 5 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#8#8	Qwen3.7 Maxmedium	9.2	Qwen	$1.116 ↓	40.57s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 87.9% Teste instabile 2 Tokenuri de intrare 106,020 Tokenuri de ieșire 5,748 Tokenuri de raționament 211,004 Timp de răspuns (mediu) 40.57s Timp de răspuns (total) 892.57s Timp de răspuns (maxim) 556.06s Răspuns greșit: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#48#48	Grok Build 0.1medium	7.6	X AI	$1.097	52.06s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 0 Tokenuri de intrare 106,751 Tokenuri de ieșire 7,993 Tokenuri de raționament 486,670 Timp de răspuns (mediu) 52.06s Timp de răspuns (total) 1145.27s Timp de răspuns (maxim) 252.69s Răspuns greșit: 5 Formatare suplimentară: 3 Trucuri anti-AI : 8.3 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#78#78	Gemini 3.5 Flashnone	7.0	Google	$1.079	9.93s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 74.2% Teste instabile 3 Tokenuri de intrare 13,843 Tokenuri de ieșire 117,518 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.93s Timp de răspuns (total) 178.68s Timp de răspuns (maxim) 64.36s Eroare API: 4 Răspuns greșit: 3 Trucuri anti-AI : 10.0 Programare : 8.8 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 2.8
#34#34	GPT-5.6 Terrahigh	8.0	OpenAI	$1.055	11.32s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 68.2% Teste instabile 2 Tokenuri de intrare 81,047 Tokenuri de ieșire 5,055 Tokenuri de raționament 51,736 Timp de răspuns (mediu) 11.32s Timp de răspuns (total) 249.14s Timp de răspuns (maxim) 91.49s Răspuns greșit: 7 Apel de instrument invalid: 1 Trucuri anti-AI : 8.3 Programare : 7.6 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 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