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: 2026-10-01 Modele evaluate: 382

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

382/382

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#276#276	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Vezi fișa modelului Total teste 22 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 49.3% Teste instabile 3 Tokenuri de intrare 139,086 Tokenuri de ieșire 193,584 Tokenuri de raționament 413,546 Timp de răspuns (mediu) 190.48s Timp de răspuns (total) 3238.23s Timp de răspuns (maxim) 1597.85s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 2.8 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
#277#277	Ember-1none	5.4	Fireworks	$0.786	22.65s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 8.8 Rată de trecere pe încercare 43.5% Teste instabile 4 Tokenuri de intrare 202,617 Tokenuri de ieșire 11,832 Tokenuri de raționament 0 Timp de răspuns (mediu) 22.65s Timp de răspuns (total) 520.91s Timp de răspuns (maxim) 93.12s Răspuns greșit: 10 Eroare API: 5 Sarcini agentice : 6.1 Trucuri anti-AI : 5.2 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.4 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 3.0 Cultură generală : 3.0
#278#278	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
Vezi fișa modelului Total teste 21 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 27,030 Tokenuri de ieșire 73,544 Tokenuri de raționament 0 Timp de răspuns (mediu) 16.28s Timp de răspuns (total) 293.12s Timp de răspuns (maxim) 46.04s Eroare API: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#279#279	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 34.8% Teste instabile 3 Tokenuri de intrare 230,744 Tokenuri de ieșire 8,000 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.78s Timp de răspuns (total) 86.83s Timp de răspuns (maxim) 53.77s Răspuns greșit: 15 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.0 Respectarea instrucțiunilor : 7.1 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#280#280	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.2 Rată de trecere pe încercare 33.3% Teste instabile 1 Tokenuri de intrare 332,917 Tokenuri de ieșire 18,989 Tokenuri de raționament 42,362 Timp de răspuns (mediu) 58.20s Timp de răspuns (total) 1338.65s Timp de răspuns (maxim) 566.80s Răspuns greșit: 11 Timp expirat: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 3.0 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#281#281	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 4 Tokenuri de intrare 275,349 Tokenuri de ieșire 49,389 Tokenuri de raționament 0 Timp de răspuns (mediu) 35.86s Timp de răspuns (total) 609.61s Timp de răspuns (maxim) 321.19s Răspuns greșit: 17 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 2.8 Parsare și extragere de date : 7.3 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#282#282	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
Vezi fișa modelului Total teste 22 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 53.6% Teste instabile 2 Tokenuri de intrare 106,348 Tokenuri de ieșire 19,257 Tokenuri de raționament 0 Timp de răspuns (mediu) 7.82s Timp de răspuns (total) 172.04s Timp de răspuns (maxim) 102.62s Răspuns greșit: 11 Sarcini agentice : 0.0 Trucuri anti-AI : 5.2 Programare : 3.8 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#283#283	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 3 Tokenuri de intrare 270,072 Tokenuri de ieșire 23,173 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.56s Timp de răspuns (total) 104.80s Timp de răspuns (maxim) 70.79s Răspuns greșit: 14 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#284#284	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 29.0% Teste instabile 6 Tokenuri de intrare 272,479 Tokenuri de ieșire 63,781 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.43s Timp de răspuns (total) 176.93s Timp de răspuns (maxim) 65.61s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 3.6 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#285#285	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 4 Tokenuri de intrare 81,447 Tokenuri de ieșire 2,715 Tokenuri de raționament 11,971 Timp de răspuns (mediu) 1.99s Timp de răspuns (total) 45.67s Timp de răspuns (maxim) 5.82s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 9.2 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.3 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#286#286	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% Teste instabile 0 Tokenuri de intrare 123,993 Tokenuri de ieșire 12,777 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.40s Timp de răspuns (total) 74.77s Timp de răspuns (maxim) 17.51s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#287#287	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.117 ↕	77.08s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.6 Rată de trecere pe încercare 47.8% Teste instabile 12 Tokenuri de intrare 170,517 Tokenuri de ieșire 149,968 Tokenuri de raționament 509,725 Timp de răspuns (mediu) 77.08s Timp de răspuns (total) 1772.78s Timp de răspuns (maxim) 490.99s Răspuns greșit: 11 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 Timp expirat: 1 Sarcini agentice : 3.5 Trucuri anti-AI : 5.5 Programare : 4.4 Combinat : 6.4 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#288#288	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 9.8 Rată de trecere pe încercare 40.6% Teste instabile 5 Tokenuri de intrare 50,423 Tokenuri de ieșire 4,144 Tokenuri de raționament 110,510 Timp de răspuns (mediu) 15.23s Timp de răspuns (total) 350.26s Timp de răspuns (maxim) 118.35s Răspuns greșit: 9 Eroare API: 4 Formatare suplimentară: 3 Sarcini agentice : 3.0 Trucuri anti-AI : 6.9 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#289#289	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 9.6 Rată de trecere pe încercare 66.7% Teste instabile 5 Tokenuri de intrare 40,961 Tokenuri de ieșire 2,518 Tokenuri de raționament 81,801 Timp de răspuns (mediu) 22.16s Timp de răspuns (total) 443.22s Timp de răspuns (maxim) 136.29s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 6.0 Combinat : 2.3 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#290#290	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
Vezi fișa modelului Total teste 21 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 3 Tokenuri de intrare 40,111 Tokenuri de ieșire 12,476 Tokenuri de raționament 125,039 Timp de răspuns (mediu) 20.11s Timp de răspuns (total) 301.59s Timp de răspuns (maxim) 96.01s Răspuns greșit: 5 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 8.1 Programare : 6.0 Combinat : 4.9 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#291#291	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 9.7 Rată de trecere pe încercare 42.0% Teste instabile 8 Tokenuri de intrare 321,955 Tokenuri de ieșire 41,555 Tokenuri de raționament 94,946 Timp de răspuns (mediu) 12.68s Timp de răspuns (total) 291.66s Timp de răspuns (maxim) 59.15s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.6 Programare : 4.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 3.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#292#292	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 1 Tokenuri de intrare 265,602 Tokenuri de ieșire 10,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.12s Timp de răspuns (total) 71.87s Timp de răspuns (maxim) 45.46s Răspuns greșit: 17 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 3.4 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#293#293	Mercury 2.5low	5.1	Inception	$0.020	3.34s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.8 Rată de trecere pe încercare 37.7% Teste instabile 5 Tokenuri de intrare 326,083 Tokenuri de ieșire 7,224 Tokenuri de raționament 33,078 Timp de răspuns (mediu) 3.34s Timp de răspuns (total) 76.80s Timp de răspuns (maxim) 47.06s Răspuns greșit: 14 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.9 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 4.4 Respectarea instrucțiunilor : 2.9 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 9.8 Cultură generală : 3.0
#294#294	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 9.6 Rată de trecere pe încercare 43.5% Teste instabile 3 Tokenuri de intrare 51,369 Tokenuri de ieșire 8,008 Tokenuri de raționament 58,568 Timp de răspuns (mediu) 8.32s Timp de răspuns (total) 191.40s Timp de răspuns (maxim) 48.19s Răspuns greșit: 10 Eroare API: 2 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Timp expirat: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.7 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#295#295	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 31.9% Teste instabile 4 Tokenuri de intrare 273,075 Tokenuri de ieșire 17,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.21s Timp de răspuns (total) 142.89s Timp de răspuns (maxim) 53.13s Răspuns greșit: 12 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.3 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#296#296	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
Vezi fișa modelului Total teste 23 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 24.6% Teste instabile 4 Tokenuri de intrare 230,291 Tokenuri de ieșire 99,030 Tokenuri de raționament 287,794 Timp de răspuns (mediu) 63.06s Timp de răspuns (total) 1450.31s Timp de răspuns (maxim) 560.31s Răspuns greșit: 14 Apel de instrument invalid: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 3.4 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.2 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#297#297	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
Vezi fișa modelului Total teste 23 Teste greșite 17 Fiabilitate 9.9 Rată de trecere pe încercare 44.9% Teste instabile 8 Tokenuri de intrare 235,438 Tokenuri de ieșire 8,136 Tokenuri de raționament 28,734 Timp de răspuns (mediu) 4.92s Timp de răspuns (total) 113.24s Timp de răspuns (maxim) 84.47s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 5.6 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 4.1 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 2.8 Cultură generală : 3.0
#298#298	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 44.9% Teste instabile 10 Tokenuri de intrare 277,130 Tokenuri de ieșire 45,188 Tokenuri de raționament 129,163 Timp de răspuns (mediu) 50.32s Timp de răspuns (total) 1107.03s Timp de răspuns (maxim) 198.82s Răspuns greșit: 6 Nu a urmat instrucțiunile: 5 Apel de instrument invalid: 2 Fără răspuns: 2 Timp expirat: 2 Eroare API: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 7.9 Programare : 5.7 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 5.9 Apelare instrumente : 4.7 Cultură generală : 3.0
#299#299	Dots 3 Note Previewnone	5.0	Dots Studio	$0.000	5.36s
Vezi fișa modelului Total teste 23 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 225,907 Tokenuri de ieșire 22,507 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.36s Timp de răspuns (total) 123.38s Timp de răspuns (maxim) 45.71s Răspuns greșit: 16 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 3.1 Programare : 4.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.8 Rezolvare de puzzle-uri : 3.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#300#300	GPT-4o-mininone	5.0	OpenAI	$0.024	4.16s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 21.7% Teste instabile 0 Tokenuri de intrare 145,180 Tokenuri de ieșire 3,627 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.16s Timp de răspuns (total) 70.70s Timp de răspuns (maxim) 39.99s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 4.8 Programare : 3.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 10.0 Cultură generală : 3.0

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