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: 2026-09-02 Modele evaluate: 311

Modele recomandate

GPT-5.6 Sol high Inteligent Rată de trecere pe încercare 89.4% Teste corecte 18 / 22 Scor 9.4/10 GPT-5.6 Luna medium Rapid Timp de răspuns (mediu) 7.43s Total tokenuri de ieșire 44,525 Scor 7.4/10 DeepSeek V4 Flash 0731 high Accesibil Preț de intrare $0.065 / 1M Preț de ieșire $0.180 / 1M Scor 8.0/10

311/311

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 7.6 Rată de trecere pe încercare 39.4% Teste instabile 10 Tokenuri de intrare 43,278 Tokenuri de ieșire 181,083 Tokenuri de raționament 431,132 Timp de răspuns (mediu) 235.89s Timp de răspuns (total) 5189.64s Timp de răspuns (maxim) 685.87s Timp expirat: 10 Răspuns greșit: 6 Apel de instrument invalid: 1 Fără răspuns: 1 Trucuri anti-AI : 6.9 Programare : 3.8 Combinat : 5.0 Parsare și extragere de date : 3.8 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 5.4 Rată de trecere pe încercare 19.7% Teste instabile 3 Tokenuri de intrare 45,154 Tokenuri de ieșire 4,022 Tokenuri de raționament 678,516 Timp de răspuns (mediu) 214.25s Timp de răspuns (total) 4713.56s Timp de răspuns (maxim) 597.45s Eroare API: 14 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.0 Programare : 5.2 Combinat : 2.9 Parsare și extragere de date : 8.7 Specific domeniului : 4.5 Inteligență generală : 7.5 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#50#50	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.8% Teste instabile 5 Tokenuri de intrare 104,433 Tokenuri de ieșire 6,511 Tokenuri de raționament 752,680 Timp de răspuns (mediu) 193.59s Timp de răspuns (total) 4258.98s Timp de răspuns (maxim) 885.33s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.2 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#202#202	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 2 Tokenuri de intrare 65,716 Tokenuri de ieșire 189,424 Tokenuri de raționament 379,112 Timp de răspuns (mediu) 191.63s Timp de răspuns (total) 3066.07s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 2.4 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#29#29	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
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 104,695 Tokenuri de ieșire 6,645 Tokenuri de raționament 691,086 Timp de răspuns (mediu) 173.96s Timp de răspuns (total) 3827.19s Timp de răspuns (maxim) 584.71s Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.2 Programare : 10.0 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
#49#49	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.6 Rată de trecere pe încercare 77.3% Teste instabile 2 Tokenuri de intrare 100,179 Tokenuri de ieșire 904 Tokenuri de raționament 655,731 Timp de răspuns (mediu) 167.89s Timp de răspuns (total) 3693.54s Timp de răspuns (maxim) 640.85s Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Răspuns greșit: 2 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
#18#18	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 80.3% Teste instabile 2 Tokenuri de intrare 104,464 Tokenuri de ieșire 6,844 Tokenuri de raționament 590,392 Timp de răspuns (mediu) 163.90s Timp de răspuns (total) 3605.87s Timp de răspuns (maxim) 739.98s Răspuns greșit: 3 Fără răspuns: 2 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
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 51.5% Teste instabile 4 Tokenuri de intrare 93,411 Tokenuri de ieșire 30,470 Tokenuri de raționament 356,172 Timp de răspuns (mediu) 153.29s Timp de răspuns (total) 3372.36s Timp de răspuns (maxim) 941.66s Răspuns greșit: 7 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Trucuri anti-AI : 8.9 Programare : 7.8 Combinat : 10.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#104#104	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 59.1% Teste instabile 2 Tokenuri de intrare 97,324 Tokenuri de ieșire 44,383 Tokenuri de raționament 346,490 Timp de răspuns (mediu) 143.55s Timp de răspuns (total) 3158.11s Timp de răspuns (maxim) 939.52s Răspuns greșit: 7 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
Vezi fișa modelului Total teste 22 Teste greșite 6 Fiabilitate 9.0 Rată de trecere pe încercare 77.3% Teste instabile 2 Tokenuri de intrare 34,960 Tokenuri de ieșire 2,887 Tokenuri de raționament 221,241 Timp de răspuns (mediu) 142.84s Timp de răspuns (total) 2714.02s Timp de răspuns (maxim) 766.58s Eroare API: 2 Fără răspuns: 2 Formatare suplimentară: 1 Timp expirat: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.5 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#211#211	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
Vezi fișa modelului Total teste 22 Teste greșite 14 Fiabilitate 8.5 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 81,742 Tokenuri de ieșire 423,884 Tokenuri de raționament 1,340,907 Timp de răspuns (mediu) 141.99s Timp de răspuns (total) 3123.87s Timp de răspuns (maxim) 786.72s Răspuns greșit: 9 Formatare suplimentară: 2 Eroare API: 1 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 8.4 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#143#143	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 6 Tokenuri de intrare 90,556 Tokenuri de ieșire 6,153 Tokenuri de raționament 332,220 Timp de răspuns (mediu) 136.11s Timp de răspuns (total) 2994.49s Timp de răspuns (maxim) 640.89s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.0 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#87#87	Solar Pro 4xhigh	7.6	Upstage	$0.050	134.85s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 60.6% Teste instabile 2 Tokenuri de intrare 98,116 Tokenuri de ieșire 21,720 Tokenuri de raționament 367,730 Timp de răspuns (mediu) 134.85s Timp de răspuns (total) 2966.79s Timp de răspuns (maxim) 491.42s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Formatare suplimentară: 1 Trucuri anti-AI : 8.3 Programare : 5.8 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#289#289	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.6 Rată de trecere pe încercare 31.8% Teste instabile 8 Tokenuri de intrare 79,104 Tokenuri de ieșire 42,254 Tokenuri de raționament 377,280 Timp de răspuns (mediu) 134.34s Timp de răspuns (total) 2015.13s Timp de răspuns (maxim) 1539.97s Răspuns greșit: 9 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Timp expirat: 2 Trucuri anti-AI : 4.7 Programare : 3.2 Combinat : 2.9 Parsare și extragere de date : 6.3 Specific domeniului : 3.5 Inteligență generală : 3.6 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#144#144	Solar Pro 4medium	6.8	Upstage	$0.047	127.64s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 9.9 Rată de trecere pe încercare 62.1% Teste instabile 4 Tokenuri de intrare 87,902 Tokenuri de ieșire 30,743 Tokenuri de raționament 335,668 Timp de răspuns (mediu) 127.64s Timp de răspuns (total) 2808.09s Timp de răspuns (maxim) 519.91s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 8.6 Rată de trecere pe încercare 63.6% Teste instabile 5 Tokenuri de intrare 81,970 Tokenuri de ieșire 7,186 Tokenuri de raționament 403,389 Timp de răspuns (mediu) 124.18s Timp de răspuns (total) 2732.03s Timp de răspuns (maxim) 675.30s Eroare API: 5 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 8.3 Programare : 6.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.6 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 4.7 Cultură generală : 3.0
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 9.4 Rată de trecere pe încercare 74.2% Teste instabile 4 Tokenuri de intrare 108,931 Tokenuri de ieșire 112,801 Tokenuri de raționament 343,227 Timp de răspuns (mediu) 120.59s Timp de răspuns (total) 2653.05s Timp de răspuns (maxim) 532.28s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#125#125	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 62.1% Teste instabile 5 Tokenuri de intrare 79,740 Tokenuri de ieșire 23,357 Tokenuri de raționament 339,837 Timp de răspuns (mediu) 120.58s Timp de răspuns (total) 2652.77s Timp de răspuns (maxim) 491.07s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Trucuri anti-AI : 8.7 Programare : 5.7 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.5 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
Vezi fișa modelului Total teste 22 Teste greșite 7 Fiabilitate 9.4 Rată de trecere pe încercare 72.7% Teste instabile 2 Tokenuri de intrare 113,279 Tokenuri de ieșire 121,045 Tokenuri de raționament 374,496 Timp de răspuns (mediu) 118.97s Timp de răspuns (total) 2617.41s Timp de răspuns (maxim) 534.21s Răspuns greșit: 4 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.2 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#24#24	Muse Spark 1.3high	9.0	Meta	$1.252	117.06s
Vezi fișa modelului Total teste 22 Teste greșite 5 Fiabilitate 9.5 Rată de trecere pe încercare 81.8% Teste instabile 3 Tokenuri de intrare 99,477 Tokenuri de ieșire 14,053 Tokenuri de raționament 251,124 Timp de răspuns (mediu) 117.06s Timp de răspuns (total) 2575.43s Timp de răspuns (maxim) 470.12s Răspuns greșit: 2 Eroare API: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 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 : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 9.6 Cultură generală : 3.0
#116#116	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
Vezi fișa modelului Total teste 22 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 63.6% Teste instabile 4 Tokenuri de intrare 68,913 Tokenuri de ieșire 64,654 Tokenuri de raționament 282,865 Timp de răspuns (mediu) 115.89s Timp de răspuns (total) 2433.66s 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
#62#62	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.084 ↓	114.94s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 5 Tokenuri de intrare 96,702 Tokenuri de ieșire 16,966 Tokenuri de raționament 496,341 Timp de răspuns (mediu) 114.94s Timp de răspuns (total) 2528.65s Timp de răspuns (maxim) 600.61s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 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
#152#152	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 9.9 Rată de trecere pe încercare 54.6% Teste instabile 4 Tokenuri de intrare 90,870 Tokenuri de ieșire 5,676 Tokenuri de raționament 314,918 Timp de răspuns (mediu) 113.61s Timp de răspuns (total) 2499.46s Timp de răspuns (maxim) 560.39s Răspuns greșit: 7 Eroare API: 2 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 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
#95#95	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 75.8% Teste instabile 6 Tokenuri de intrare 111,644 Tokenuri de ieșire 16,113 Tokenuri de raționament 598,796 Timp de răspuns (mediu) 113.28s Timp de răspuns (total) 2492.26s 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 : 5.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#240#240	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 5 Tokenuri de intrare 208,937 Tokenuri de ieșire 175,588 Tokenuri de raționament 409,276 Timp de răspuns (mediu) 111.60s Timp de răspuns (total) 2455.24s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 11 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.6 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0

1 2 13

→

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium