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)
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
Vezi fișa modelului Total teste 22 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 98.5% Teste instabile 1 Tokenuri de intrare 71,470 Tokenuri de ieșire 3,276 Tokenuri de raționament 168,709 Timp de răspuns (mediu) 16.81s Timp de răspuns (total) 369.88s Timp de răspuns (maxim) 104.15s Răspuns greșit: 1 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	$1.595	37.19s
Vezi fișa modelului Total teste 22 Teste greșite 1 Fiabilitate 10.0 Rată de trecere pe încercare 98.5% Teste instabile 1 Tokenuri de intrare 84,593 Tokenuri de ieșire 10,517 Tokenuri de raționament 397,671 Timp de răspuns (mediu) 37.19s Timp de răspuns (total) 818.19s Timp de răspuns (maxim) 177.08s Fără răspuns: 1 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	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.5% Teste instabile 2 Tokenuri de intrare 86,712 Tokenuri de ieșire 6,017 Tokenuri de raționament 148,829 Timp de răspuns (mediu) 12.22s Timp de răspuns (total) 268.78s Timp de răspuns (maxim) 91.63s Răspuns greșit: 2 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
#4#4	Gemini 3.6 Flashmedium	9.8	Google	$0.427 ↓	11.86s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.5% Teste instabile 2 Tokenuri de intrare 64,446 Tokenuri de ieșire 1,974 Tokenuri de raționament 98,902 Timp de răspuns (mediu) 11.86s Timp de răspuns (total) 260.96s Timp de răspuns (maxim) 77.15s Răspuns greșit: 2 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
#6#6	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 93.9% Teste instabile 1 Tokenuri de intrare 87,870 Tokenuri de ieșire 5,486 Tokenuri de raționament 234,122 Timp de răspuns (mediu) 19.86s Timp de răspuns (total) 436.88s Timp de răspuns (maxim) 117.26s Răspuns greșit: 2 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
#8#8	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 93.9% Teste instabile 1 Tokenuri de intrare 89,055 Tokenuri de ieșire 5,697 Tokenuri de raționament 58,880 Timp de răspuns (mediu) 5.87s Timp de răspuns (total) 129.20s Timp de răspuns (maxim) 30.23s Răspuns greșit: 2 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
#13#13	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
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 92,296 Tokenuri de ieșire 5,232 Tokenuri de raționament 92,006 Timp de răspuns (mediu) 20.62s Timp de răspuns (total) 329.94s 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
#14#14	Gemini 3.7 Flashlow	9.2	Google	$0.207 ↑	3.85s
Vezi fișa modelului Total teste 22 Teste greșite 2 Fiabilitate 10.0 Rată de trecere pe încercare 95.5% Teste instabile 2 Tokenuri de intrare 90,322 Tokenuri de ieșire 6,294 Tokenuri de raționament 30,759 Timp de răspuns (mediu) 3.85s Timp de răspuns (total) 84.80s Timp de răspuns (maxim) 19.44s Răspuns greșit: 2 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
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
Vezi fișa modelului Total teste 22 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 89.4% Teste instabile 2 Tokenuri de intrare 107,146 Tokenuri de ieșire 8,777 Tokenuri de raționament 196,705 Timp de răspuns (mediu) 15.46s Timp de răspuns (total) 340.20s Timp de răspuns (maxim) 145.92s Răspuns greșit: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.2 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 : 9.8 Cultură generală : 10.0
#11#11	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
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 80,067 Tokenuri de ieșire 5,378 Tokenuri de raționament 23,162 Timp de răspuns (mediu) 10.15s Timp de răspuns (total) 223.24s 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
#12#12	Grok 4.6high	9.3	X AI	$1.908	84.15s
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 107,275 Tokenuri de ieșire 5,094 Tokenuri de raționament 277,123 Timp de răspuns (mediu) 84.15s Timp de răspuns (total) 1851.26s Timp de răspuns (maxim) 618.49s Răspuns greșit: 2 Fără răspuns: 1 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 : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#17#17	Gemini 3.8 Flashmedium	9.1	Google	$0.653	14.50s
Vezi fișa modelului Total teste 22 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 92.4% Teste instabile 2 Tokenuri de intrare 95,793 Tokenuri de ieșire 7,066 Tokenuri de raționament 147,842 Timp de răspuns (mediu) 14.50s Timp de răspuns (total) 318.92s Timp de răspuns (maxim) 108.60s Răspuns greșit: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 10.0 Programare : 8.0 Combinat : 8.7 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
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
Vezi fișa modelului Total teste 22 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 89.4% Teste instabile 1 Tokenuri de intrare 135,958 Tokenuri de ieșire 7,930 Tokenuri de raționament 32,141 Timp de răspuns (mediu) 13.59s Timp de răspuns (total) 298.90s Timp de răspuns (maxim) 40.17s Răspuns greșit: 3 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
#156#156	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
Vezi fișa modelului Total teste 19 Teste greșite 3 Fiabilitate 10.0 Rată de trecere pe încercare 72.7% Teste instabile 0 Tokenuri de intrare 69,576 Tokenuri de ieșire 6,265 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.02s Timp de răspuns (total) 57.44s Timp de răspuns (maxim) 18.27s Răspuns greșit: 3 Trucuri anti-AI : 8.3 Programare : 3.3 Combinat : 4.8 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 : 3.0
#5#5	GPT-5.6 Sollow	9.5	OpenAI	$0.357 ↓	9.04s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 86.4% Teste instabile 2 Tokenuri de intrare 78,580 Tokenuri de ieșire 4,476 Tokenuri de raționament 15,470 Timp de răspuns (mediu) 9.04s Timp de răspuns (total) 198.97s Timp de răspuns (maxim) 53.91s Răspuns greșit: 4 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
#9#9	GPT-5.6 Solmedium	9.4	OpenAI	$0.508 ↓	12.63s
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 79,006 Tokenuri de ieșire 4,696 Tokenuri de raționament 30,281 Timp de răspuns (mediu) 12.63s Timp de răspuns (total) 277.88s 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
#10#10	GPT-5.6 Solhigh	9.4	OpenAI	$0.446 ↓	11.48s
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 79,258 Tokenuri de ieșire 4,855 Tokenuri de raționament 23,853 Timp de răspuns (mediu) 11.48s Timp de răspuns (total) 252.62s 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
#15#15	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 81.8% Teste instabile 0 Tokenuri de intrare 135,956 Tokenuri de ieșire 64,624 Tokenuri de raționament 30,959 Timp de răspuns (mediu) 22.51s Timp de răspuns (total) 495.12s Timp de răspuns (maxim) 159.01s Răspuns greșit: 2 Formatare suplimentară: 1 Fără răspuns: 1 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
#16#16	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
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 135,604 Tokenuri de ieșire 23,814 Tokenuri de raționament 12,804 Timp de răspuns (mediu) 10.26s Timp de răspuns (total) 225.66s Timp de răspuns (maxim) 35.43s Răspuns greșit: 3 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 : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#21#21	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
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 69,756 Tokenuri de ieșire 2,166 Tokenuri de raționament 60,007 Timp de răspuns (mediu) 8.48s Timp de răspuns (total) 186.57s Timp de răspuns (maxim) 76.68s Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 10.0 Programare : 7.9 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 : 7.7 Apelare instrumente : 10.0 Cultură generală : 10.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
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 80,668 Tokenuri de ieșire 5,617 Tokenuri de raționament 119,699 Timp de răspuns (mediu) 38.97s Timp de răspuns (total) 857.43s 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
#30#30	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
Vezi fișa modelului Total teste 22 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 84.9% Teste instabile 2 Tokenuri de intrare 87,826 Tokenuri de ieșire 2,239 Tokenuri de raționament 32,956 Timp de răspuns (mediu) 5.76s Timp de răspuns (total) 126.71s Timp de răspuns (maxim) 53.55s Răspuns greșit: 3 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 : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#33#33	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
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 134,770 Tokenuri de ieșire 13,604 Tokenuri de raționament 4,388 Timp de răspuns (mediu) 6.99s Timp de răspuns (total) 153.80s Timp de răspuns (maxim) 30.67s Răspuns greșit: 4 Trucuri anti-AI : 10.0 Programare : 7.8 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 : 3.0
#34#34	Gemini 3.6 Flashlow	8.7	Google	$0.251 ↓	4.92s
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 85,886 Tokenuri de ieșire 5,489 Tokenuri de raționament 44,232 Timp de răspuns (mediu) 4.92s Timp de răspuns (total) 108.28s Timp de răspuns (maxim) 30.83s Răspuns greșit: 4 Trucuri anti-AI : 8.7 Programare : 7.8 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 10.0
#36#36	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
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 145,249 Tokenuri de ieșire 24,948 Tokenuri de raționament 5,042 Timp de răspuns (mediu) 7.62s Timp de răspuns (total) 159.94s 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

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