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)
#435#435	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
Vezi fișa modelului Total teste 1 Teste greșite 0 Fiabilitate 10.0 Rată de trecere pe încercare 4.4% Teste instabile 0 Tokenuri de intrare 134,050 Tokenuri de ieșire 1,029 Tokenuri de raționament 11,528 Timp de răspuns (mediu) 52.45s Timp de răspuns (total) 52.45s Timp de răspuns (maxim) 52.45s Sarcini agentice : 10.0 Trucuri anti-AI : 0.0 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 0.0 Specific domeniului : 0.0 Inteligență generală : 0.0 Respectarea instrucțiunilor : 0.0 Rezolvare de puzzle-uri : 0.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#442#442	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
Vezi fișa modelului Total teste 1 Teste greșite 0 Fiabilitate 10.0 Rată de trecere pe încercare 4.4% Teste instabile 0 Tokenuri de intrare 73 Tokenuri de ieșire 6 Tokenuri de raționament 729 Timp de răspuns (mediu) 13.58s Timp de răspuns (total) 13.58s Timp de răspuns (maxim) 13.58s Sarcini agentice : 0.0 Trucuri anti-AI : 0.0 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 0.0 Specific domeniului : 3.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 0.0 Rezolvare de puzzle-uri : 0.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#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
#4#4	GPT-6.1 Solmax	9.9	OpenAI	$1.006	61.98s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 9.7 Rată de trecere pe încercare 95.7% Teste instabile 0 Tokenuri de intrare 183,607 Tokenuri de ieșire 5,741 Tokenuri de raționament 58,082 Timp de răspuns (mediu) 61.98s Timp de răspuns (total) 1425.65s Timp de răspuns (maxim) 960.01s Timp expirat: 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
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 9.6 Rată de trecere pe încercare 95.7% Teste instabile 0 Tokenuri de intrare 181,223 Tokenuri de ieșire 5,707 Tokenuri de raționament 58,909 Timp de răspuns (mediu) 61.63s Timp de răspuns (total) 1417.51s Timp de răspuns (maxim) 960.01s Timp expirat: 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
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 9.9 Rată de trecere pe încercare 97.1% Teste instabile 1 Tokenuri de intrare 167,805 Tokenuri de ieșire 5,651 Tokenuri de raționament 49,944 Timp de răspuns (mediu) 20.16s Timp de răspuns (total) 463.68s Timp de răspuns (maxim) 254.93s 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
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
Vezi fișa modelului Total teste 23 Teste greșite 1 Fiabilitate 9.9 Rată de trecere pe încercare 97.1% Teste instabile 1 Tokenuri de intrare 170,731 Tokenuri de ieșire 5,865 Tokenuri de raționament 84,230 Timp de răspuns (mediu) 29.67s Timp de răspuns (total) 682.42s Timp de răspuns (maxim) 381.11s 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
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 9.9 Rată de trecere pe încercare 91.3% Teste instabile 0 Tokenuri de intrare 159,023 Tokenuri de ieșire 4,935 Tokenuri de raționament 6,454 Timp de răspuns (mediu) 7.01s Timp de răspuns (total) 161.20s Timp de răspuns (maxim) 49.16s 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 : 3.0
#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
#17#17	Gemini 4 Argonhigh	9.5	Google	$1.802	19.03s
Vezi fișa modelului Total teste 23 Teste greșite 2 Fiabilitate 9.9 Rată de trecere pe încercare 97.1% Teste instabile 2 Tokenuri de intrare 240,264 Tokenuri de ieșire 5,707 Tokenuri de raționament 126,366 Timp de răspuns (mediu) 19.03s Timp de răspuns (total) 437.77s Timp de răspuns (maxim) 82.53s Eroare API: 1 Răspuns greșit: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 7.3 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
#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
#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
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
Vezi fișa modelului Total teste 23 Teste greșite 3 Fiabilitate 9.9 Rată de trecere pe încercare 91.3% Teste instabile 2 Tokenuri de intrare 165,464 Tokenuri de ieșire 5,591 Tokenuri de raționament 15,454 Timp de răspuns (mediu) 9.90s Timp de răspuns (total) 227.67s Timp de răspuns (maxim) 73.48s 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 : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 2.8
#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
#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
#85#85	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
Vezi fișa modelului Total teste 23 Teste greșite 3 Fiabilitate 9.8 Rată de trecere pe încercare 89.9% Teste instabile 1 Tokenuri de intrare 176,208 Tokenuri de ieșire 6,093 Tokenuri de raționament 96,598 Timp de răspuns (mediu) 22.71s Timp de răspuns (total) 386.11s Timp de răspuns (maxim) 88.68s Răspuns greșit: 2 Timp expirat: 1 Sarcini agentice : 4.7 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

1 2 18

→

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