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)
#376#376	Kev 4Bnone	2.4	Jaredpalmer	$0.002	5.63s
Vezi fișa modelului Total teste 12 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 15.9% Teste instabile 1 Tokenuri de intrare 42,804 Tokenuri de ieșire 28,061 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.63s Timp de răspuns (total) 67.61s Timp de răspuns (maxim) 17.79s Răspuns greșit: 9 Sarcini agentice : 0.0 Trucuri anti-AI : 2.3 Programare : 4.5 Combinat : 0.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 2.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#377#377	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
Vezi fișa modelului Total teste 12 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 26.1% 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 Sarcini agentice : 0.0 Trucuri anti-AI : 10.0 Programare : 1.0 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
#378#378	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
#379#379	LFM2-24B-A2Bnone	1.8	Liquid	$0.001	782ms
Vezi fișa modelului Total teste 16 Teste greșite 14 Fiabilitate N/D Rată de trecere pe încercare 11.6% 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 Sarcini agentice : 0.0 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
#380#380	Solar Decidenone	1.0	Upstage	$0.009 ↑	6.01s
Vezi fișa modelului Total teste 7 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 14.5% Teste instabile 3 Tokenuri de intrare 47,586 Tokenuri de ieșire 51 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.01s Timp de răspuns (total) 42.05s Timp de răspuns (maxim) 13.10s Răspuns greșit: 5 Sarcini agentice : 0.0 Trucuri anti-AI : 0.8 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 3.7 Specific domeniului : 4.3 Inteligență generală : 0.0 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 1.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#381#381	Tev1 4B Experimentalnone	1.0	Togethercomputer	$0.002	498ms
Vezi fișa modelului Total teste 7 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 13.0% Teste instabile 0 Tokenuri de intrare 33,864 Tokenuri de ieșire 96 Tokenuri de raționament 0 Timp de răspuns (mediu) 498ms Timp de răspuns (total) 3.49s Timp de răspuns (maxim) 602ms Răspuns greșit: 4 Sarcini agentice : 0.0 Trucuri anti-AI : 2.5 Programare : 0.0 Combinat : 0.0 Parsare și extragere de date : 3.0 Specific domeniului : 6.7 Inteligență generală : 0.0 Respectarea instrucțiunilor : 1.5 Rezolvare de puzzle-uri : 1.7 Apelare instrumente : 0.0 Cultură generală : 0.0
#382#382	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 735 Tokenuri de raționament 0 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 15 16

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