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: 2026-08-15 Modele evaluate: 287

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 $0.140 / 1M Preț de ieșire $0.280 / 1M Scor 8.0/10

287/287

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#271#271	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% Teste instabile 2 Tokenuri de intrare 27,172 Tokenuri de ieșire 2,661 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.92s Timp de răspuns (total) 232.64s Timp de răspuns (maxim) 35.84s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Trucuri anti-AI : 4.8 Programare : 2.7 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#272#272	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 6.7 Rată de trecere pe încercare 24.2% Teste instabile 4 Tokenuri de intrare 36,851 Tokenuri de ieșire 68,882 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.76s Timp de răspuns (total) 46.99s Timp de răspuns (maxim) 19.68s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 3.2 Programare : 4.3 Combinat : 1.5 Parsare și extragere de date : 2.9 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#273#273	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
Vezi fișa modelului Total teste 22 Teste greșite 20 Fiabilitate 9.8 Rată de trecere pe încercare 9.1% Teste instabile 0 Tokenuri de intrare 184,579 Tokenuri de ieșire 110,071 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.02s Timp de răspuns (total) 294.46s Timp de răspuns (maxim) 240.61s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Eroare API: 1 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 4.2 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.4 Respectarea instrucțiunilor : 3.1 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#274#274	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
Vezi fișa modelului Total teste 22 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 9.1% Teste instabile 0 Tokenuri de intrare 113,836 Tokenuri de ieșire 5,996 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.44s Timp de răspuns (total) 31.75s Timp de răspuns (maxim) 16.67s Răspuns greșit: 13 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Formatare suplimentară: 1 Trucuri anti-AI : 4.9 Programare : 4.5 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.6 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#275#275	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.009 ↕	1.21s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 16.7% Teste instabile 2 Tokenuri de intrare 74,074 Tokenuri de ieșire 2,731 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.21s Timp de răspuns (total) 26.62s Timp de răspuns (maxim) 6.30s Răspuns greșit: 16 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 4.8 Programare : 3.1 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 2.8 Cultură generală : 3.0
#276#276	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
Vezi fișa modelului Total teste 19 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 4 Tokenuri de intrare 11,793 Tokenuri de ieșire 267,275 Tokenuri de raționament 0 Timp de răspuns (mediu) 28.69s Timp de răspuns (total) 459.00s Timp de răspuns (maxim) 138.35s Răspuns greșit: 7 Eroare API: 3 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 8.7 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#277#277	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.2% Teste instabile 3 Tokenuri de intrare 115,314 Tokenuri de ieșire 133,965 Tokenuri de raționament 816,718 Timp de răspuns (mediu) 75.68s Timp de răspuns (total) 1589.20s Timp de răspuns (maxim) 345.15s Fără răspuns: 7 Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.4 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 2.9 Inteligență generală : 5.4 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#278#278	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 19.7% Teste instabile 1 Tokenuri de intrare 99,662 Tokenuri de ieșire 146,555 Tokenuri de raționament 732,977 Timp de răspuns (mediu) 66.16s Timp de răspuns (total) 1389.33s Timp de răspuns (maxim) 252.08s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.8 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 6.6 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#279#279	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 19.7% Teste instabile 3 Tokenuri de intrare 36,608 Tokenuri de ieșire 1,723 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.62s Timp de răspuns (total) 19.48s Timp de răspuns (maxim) 5.51s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.2 Programare : 1.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 2.8 Cultură generală : 3.0
#280#280	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 6.0 Rată de trecere pe încercare 25.8% Teste instabile 5 Tokenuri de intrare 17,195 Tokenuri de ieșire 46,735 Tokenuri de raționament 366,707 Timp de răspuns (mediu) 107.51s Timp de răspuns (total) 1720.15s Timp de răspuns (maxim) 569.97s Timp expirat: 11 Fără răspuns: 3 Răspuns greșit: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.1 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#281#281	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 24.2% Teste instabile 3 Tokenuri de intrare 103,898 Tokenuri de ieșire 148,304 Tokenuri de raționament 774,972 Timp de răspuns (mediu) 68.08s Timp de răspuns (total) 1429.66s Timp de răspuns (maxim) 262.20s Fără răspuns: 7 Răspuns greșit: 5 Nu a urmat instrucțiunile: 4 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 2.9 Combinat : 3.0 Parsare și extragere de date : 2.7 Specific domeniului : 3.0 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#282#282	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% Teste instabile 0 Tokenuri de intrare 33,675 Tokenuri de ieșire 2,826 Tokenuri de raționament 0 Timp de răspuns (mediu) 806ms Timp de răspuns (total) 12.09s Timp de răspuns (maxim) 2.01s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.0 Programare : 8.3 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#283#283	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 2 Tokenuri de intrare 9,081 Tokenuri de ieșire 51,664 Tokenuri de raționament 0 Timp de răspuns (mediu) 21.61s Timp de răspuns (total) 345.79s Timp de răspuns (maxim) 113.71s Răspuns greșit: 8 Eroare API: 3 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#284#284	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 5 Tokenuri de intrare 11,661 Tokenuri de ieșire 48,491 Tokenuri de raționament 180,695 Timp de răspuns (mediu) 17.13s Timp de răspuns (total) 222.66s Timp de răspuns (maxim) 147.45s Răspuns greșit: 7 Eroare API: 6 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.4 Programare : 1.1 Combinat : 1.5 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#285#285	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	NVIDIA	$0.000	728ms
Vezi fișa modelului Total teste 19 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 15.2% Teste instabile 2 Tokenuri de intrare 11,661 Tokenuri de ieșire 1,302 Tokenuri de raționament 0 Timp de răspuns (mediu) 728ms Timp de răspuns (total) 9.47s Timp de răspuns (maxim) 2.21s Răspuns greșit: 9 Eroare API: 6 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 3.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#286#286	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
Vezi fișa modelului Total teste 12 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 0 Tokenuri de intrare 1,971 Tokenuri de ieșire 64,795 Tokenuri de raționament 0 Timp de răspuns (mediu) 39.03s Timp de răspuns (total) 312.26s Timp de răspuns (maxim) 114.12s Eroare API: 4 Nu a urmat instrucțiunile: 1 Răspuns greșit: 1 Trucuri anti-AI : 10.0 Programare : 9.8 Combinat : 1.5 Parsare și extragere de date : 1.5 Specific domeniului : 3.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 0.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#287#287	LFM2-24B-A2Bnone	2.2	Liquid	$0.001	782ms
Vezi fișa modelului Total teste 16 Teste greșite 14 Fiabilitate N/D Rată de trecere pe încercare 12.1% Teste instabile 1 Tokenuri de intrare 10,771 Tokenuri de ieșire 1,173 Tokenuri de raționament 0 Timp de răspuns (mediu) 782ms Timp de răspuns (total) 10.94s Timp de răspuns (maxim) 3.15s Răspuns greșit: 9 Eroare API: 4 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 2.5 Programare : 0.0 Combinat : 1.5 Parsare și extragere de date : 3.0 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 3.0 Cultură generală : 0.0

←

1 9 10

Comparație rapidă

Gemini 3.6 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 Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

Clasament AI Benchy

Modele recomandate

Filtrează modelele

Comparație rapidă