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)
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.900 ↓	18.93s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 98.6% Teste instabile 1 Tokenuri de intrare 238,080 Tokenuri de ieșire 4,211 Tokenuri de raționament 188,109 Timp de răspuns (mediu) 18.93s Timp de răspuns (total) 435.48s Timp de răspuns (maxim) 104.15s Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 8.2 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.927	40.60s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 98.6% Teste instabile 1 Tokenuri de intrare 334,568 Tokenuri de ieșire 11,394 Tokenuri de raționament 435,334 Timp de răspuns (mediu) 40.60s Timp de răspuns (total) 933.73s Timp de răspuns (maxim) 177.08s Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 8.2 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#3🥉 #3	GPT-6 Solhigh	9.9	OpenAI	$0.921	23.56s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 95.7% Teste instabile 0 Tokenuri de intrare 182,698 Tokenuri de ieșire 5,647 Tokenuri de raționament 49,872 Timp de răspuns (mediu) 23.56s Timp de răspuns (total) 541.85s Timp de răspuns (maxim) 136.22s Răspuns greșit: 1 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 : 10.0
#6#6	GPT-6.1 Solxhigh	9.9	OpenAI	$1.377	33.11s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 97.1% Teste instabile 1 Tokenuri de intrare 175,712 Tokenuri de ieșire 5,640 Tokenuri de raționament 96,842 Timp de răspuns (mediu) 33.11s Timp de răspuns (total) 761.52s Timp de răspuns (maxim) 491.85s Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#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
#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
#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
#12#12	GPT-6.1 Solhigh	9.6	OpenAI	$0.755	15.46s
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 174,960 Tokenuri de ieșire 5,780 Tokenuri de raționament 34,728 Timp de răspuns (mediu) 15.46s Timp de răspuns (total) 355.66s Timp de răspuns (maxim) 139.76s 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
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 87.0% Teste instabile 2 Tokenuri de intrare 191,653 Tokenuri de ieșire 5,473 Tokenuri de raționament 17,084 Timp de răspuns (mediu) 11.13s Timp de răspuns (total) 256.08s Timp de răspuns (maxim) 57.11s Răspuns greșit: 4 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 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 : 8.2 Apelare instrumente : 10.0 Cultură generală : 10.0
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
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 235,726 Tokenuri de ieșire 6,669 Tokenuri de raționament 245,867 Timp de răspuns (mediu) 21.57s Timp de răspuns (total) 496.12s Timp de răspuns (maxim) 117.26s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.6 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 : 10.0
#16#16	GPT-6.1 Sollow	9.6	OpenAI	$0.460	7.15s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 92.8% Teste instabile 1 Tokenuri de intrare 163,900 Tokenuri de ieșire 4,958 Tokenuri de raționament 8,180 Timp de răspuns (mediu) 7.15s Timp de răspuns (total) 164.47s Timp de răspuns (maxim) 46.57s 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 : 2.8
#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
#19#19	GPT-6 Solmedium	9.5	OpenAI	$0.703	12.12s
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 194,520 Tokenuri de ieșire 5,396 Tokenuri de raționament 25,991 Timp de răspuns (mediu) 12.12s Timp de răspuns (total) 278.70s Timp de răspuns (maxim) 82.74s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 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
#20#20	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 91.3% Teste instabile 3 Tokenuri de intrare 191,341 Tokenuri de ieșire 5,665 Tokenuri de raționament 32,340 Timp de răspuns (mediu) 14.57s Timp de răspuns (total) 335.16s Timp de răspuns (maxim) 79.40s Răspuns greșit: 4 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 4.7
#22#22	GPT-5.6 Solhigh	9.5	OpenAI	$1.595 ↑	13.59s
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 195,567 Tokenuri de ieșire 5,841 Tokenuri de raționament 26,230 Timp de răspuns (mediu) 13.59s Timp de răspuns (total) 312.61s Timp de răspuns (maxim) 59.99s Răspuns greșit: 4 Sarcini agentice : 10.0 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
#23#23	GPT-5.5low	9.5	OpenAI	$1.822	11.91s
Vezi fișa modelului Total teste 23 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 87.0% Teste instabile 0 Tokenuri de intrare 177,939 Tokenuri de ieșire 6,283 Tokenuri de raționament 24,782 Timp de răspuns (mediu) 11.91s Timp de răspuns (total) 273.82s Timp de răspuns (maxim) 56.19s Răspuns greșit: 3 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 88.4% Teste instabile 2 Tokenuri de intrare 308,056 Tokenuri de ieșire 9,434 Tokenuri de raționament 15,572 Timp de răspuns (mediu) 25.68s Timp de răspuns (total) 590.71s Timp de răspuns (maxim) 89.16s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 87.0% Teste instabile 2 Tokenuri de intrare 319,095 Tokenuri de ieșire 10,371 Tokenuri de raționament 32,411 Timp de răspuns (mediu) 27.55s Timp de răspuns (total) 633.73s Timp de răspuns (maxim) 95.95s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#26#26	Gemini 3.7 Flashlow	9.4	Google	$0.183	6.24s
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 188,519 Tokenuri de ieșire 7,694 Tokenuri de raționament 30,759 Timp de răspuns (mediu) 6.24s Timp de răspuns (total) 143.56s Timp de răspuns (maxim) 58.75s Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 7.6 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 8.2 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 0 Tokenuri de intrare 376,421 Tokenuri de ieșire 67,688 Tokenuri de raționament 37,974 Timp de răspuns (mediu) 25.31s Timp de răspuns (total) 582.11s Timp de răspuns (maxim) 159.01s Răspuns greșit: 2 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 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 : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 84.1% Teste instabile 1 Tokenuri de intrare 356,605 Tokenuri de ieșire 26,715 Tokenuri de raționament 17,041 Timp de răspuns (mediu) 13.24s Timp de răspuns (total) 304.46s Timp de răspuns (maxim) 78.80s Răspuns greșit: 3 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 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
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 2 Tokenuri de intrare 241,855 Tokenuri de ieșire 8,387 Tokenuri de raționament 600,946 Timp de răspuns (mediu) 161.25s Timp de răspuns (total) 3708.70s Timp de răspuns (maxim) 739.98s Răspuns greșit: 3 Fără răspuns: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 8.2 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
Vezi fișa modelului Total teste 23 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 89.9% Teste instabile 1 Tokenuri de intrare 290,117 Tokenuri de ieșire 9,805 Tokenuri de raționament 22,322 Timp de răspuns (mediu) 25.85s Timp de răspuns (total) 594.63s Timp de răspuns (maxim) 90.20s Răspuns greșit: 2 Fără răspuns: 1 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 : 3.0
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 88.4% Teste instabile 3 Tokenuri de intrare 180,959 Tokenuri de ieșire 6,472 Tokenuri de raționament 123,635 Timp de răspuns (mediu) 39.86s Timp de răspuns (total) 916.82s Timp de răspuns (maxim) 332.10s Răspuns greșit: 4 Sarcini agentice : 10.0 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
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 2 Tokenuri de intrare 484,627 Tokenuri de ieșire 11,026 Tokenuri de raționament 747,681 Timp de răspuns (mediu) 84.26s Timp de răspuns (total) 1937.91s Timp de răspuns (maxim) 488.39s Fără răspuns: 3 Nu a urmat instrucțiunile: 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 : 5.3 Inteligență generală : 5.1 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0

1 2 19

→

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