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)
#51#51	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.241 ↓	33.27s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.7 Rată de trecere pe încercare 75.4% Teste instabile 3 Tokenuri de intrare 282,490 Tokenuri de ieșire 8,621 Tokenuri de raționament 455,535 Timp de răspuns (mediu) 33.27s Timp de răspuns (total) 765.12s Timp de răspuns (maxim) 205.53s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#52#52	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.231 ↓	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 280,643 Tokenuri de ieșire 7,342 Tokenuri de raționament 437,323 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.34s Timp de răspuns (maxim) 276.31s Răspuns greșit: 5 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#53#53	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 3 Tokenuri de intrare 254,914 Tokenuri de ieșire 10,303 Tokenuri de raționament 121,928 Timp de răspuns (mediu) 11.81s Timp de răspuns (total) 271.60s Timp de răspuns (maxim) 56.77s Răspuns greșit: 4 Nu a urmat instrucțiunile: 3 Sarcini agentice : 10.0 Trucuri anti-AI : 9.2 Programare : 8.4 Combinat : 9.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#54#54	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 73.9% Teste instabile 4 Tokenuri de intrare 235,207 Tokenuri de ieșire 11,065 Tokenuri de raționament 69,473 Timp de răspuns (mediu) 31.29s Timp de răspuns (total) 531.98s Timp de răspuns (maxim) 116.86s Nu a urmat instrucțiunile: 3 Răspuns greșit: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 6.5 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 3.7 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#55#55	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 9.7 Rată de trecere pe încercare 78.3% Teste instabile 2 Tokenuri de intrare 348,967 Tokenuri de ieșire 1,005 Tokenuri de raționament 676,075 Timp de răspuns (mediu) 166.34s Timp de răspuns (total) 3825.81s Timp de răspuns (maxim) 640.85s Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Răspuns greșit: 2 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.1 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#56#56	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.5 Rată de trecere pe încercare 78.3% Teste instabile 7 Tokenuri de intrare 298,476 Tokenuri de ieșire 7,762 Tokenuri de raționament 515,918 Timp de răspuns (mediu) 148.11s Timp de răspuns (total) 3406.53s Timp de răspuns (maxim) 904.91s Formatare suplimentară: 3 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.3 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 8.4 Apelare instrumente : 10.0 Cultură generală : 2.8
#57#57	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 5 Tokenuri de intrare 234,572 Tokenuri de ieșire 8,019 Tokenuri de raționament 761,563 Timp de răspuns (mediu) 189.13s Timp de răspuns (total) 4349.92s Timp de răspuns (maxim) 885.33s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.2 Programare : 8.2 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#58#58	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 87.0% Teste instabile 4 Tokenuri de intrare 172,359 Tokenuri de ieșire 5,026 Tokenuri de raționament 8,185 Timp de răspuns (mediu) 8.72s Timp de răspuns (total) 200.61s Timp de răspuns (maxim) 48.43s Răspuns greșit: 5 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.2 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
#59#59	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$0.467 ↓	61.58s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 9.4 Rată de trecere pe încercare 69.6% Teste instabile 2 Tokenuri de intrare 414,054 Tokenuri de ieșire 7,635 Tokenuri de raționament 900,536 Timp de răspuns (mediu) 61.58s Timp de răspuns (total) 1416.24s Timp de răspuns (maxim) 335.08s Răspuns greșit: 6 Eroare API: 1 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.3 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#60#60	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 72.5% Teste instabile 4 Tokenuri de intrare 291,368 Tokenuri de ieșire 13,469 Tokenuri de raționament 108,952 Timp de răspuns (mediu) 13.21s Timp de răspuns (total) 303.92s Timp de răspuns (maxim) 54.15s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.9 Programare : 10.0 Combinat : 6.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 10.0 Respectarea instrucțiunilor : 7.3 Rezolvare de puzzle-uri : 8.3 Apelare instrumente : 9.8 Cultură generală : 3.0
#61#61	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 79.7% Teste instabile 4 Tokenuri de intrare 342,579 Tokenuri de ieșire 12,848 Tokenuri de raționament 70,193 Timp de răspuns (mediu) 14.98s Timp de răspuns (total) 344.60s Timp de răspuns (maxim) 54.92s Răspuns greșit: 3 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#62#62	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 81.2% Teste instabile 5 Tokenuri de intrare 345,687 Tokenuri de ieșire 13,550 Tokenuri de raționament 34,743 Timp de răspuns (mediu) 10.79s Timp de răspuns (total) 248.22s Timp de răspuns (maxim) 51.53s Răspuns greșit: 5 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.2 Parsare și extragere de date : 7.3 Specific domeniului : 3.5 Inteligență generală : 6.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#63#63	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Vezi fișa modelului Total teste 23 Teste greșite 5 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 3 Tokenuri de intrare 298,682 Tokenuri de ieșire 8,374 Tokenuri de raționament 80,549 Timp de răspuns (mediu) 29.07s Timp de răspuns (total) 668.66s Timp de răspuns (maxim) 207.79s Răspuns greșit: 4 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#64#64	Grok 4.6high	8.5	X AI	$2.629	87.48s
Vezi fișa modelului Total teste 23 Teste greșite 4 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 0 Tokenuri de intrare 376,233 Tokenuri de ieșire 6,687 Tokenuri de raționament 305,927 Timp de răspuns (mediu) 87.48s Timp de răspuns (total) 2012.15s Timp de răspuns (maxim) 618.49s Răspuns greșit: 3 Fără răspuns: 1 Sarcini agentice : 5.0 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 : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#65#65	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 82.6% Teste instabile 5 Tokenuri de intrare 270,231 Tokenuri de ieșire 13,363 Tokenuri de raționament 121,332 Timp de răspuns (mediu) 17.73s Timp de răspuns (total) 407.75s Timp de răspuns (maxim) 78.72s Răspuns greșit: 4 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.2 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#66#66	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 3 Tokenuri de intrare 353,658 Tokenuri de ieșire 54,891 Tokenuri de raționament 18,370 Timp de răspuns (mediu) 15.01s Timp de răspuns (total) 345.16s Timp de răspuns (maxim) 69.26s Răspuns greșit: 5 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 9.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#67#67	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
Vezi fișa modelului Total teste 23 Teste greșite 6 Fiabilitate 10.0 Rată de trecere pe încercare 85.5% Teste instabile 4 Tokenuri de intrare 367,848 Tokenuri de ieșire 8,753 Tokenuri de raționament 250,279 Timp de răspuns (mediu) 48.35s Timp de răspuns (total) 1112.11s Timp de răspuns (maxim) 556.06s Răspuns greșit: 5 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 4.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#68#68	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 9.6 Rată de trecere pe încercare 73.9% Teste instabile 2 Tokenuri de intrare 313,881 Tokenuri de ieșire 123,706 Tokenuri de raționament 388,328 Timp de răspuns (mediu) 120.40s Timp de răspuns (total) 2769.16s Timp de răspuns (maxim) 534.21s Răspuns greșit: 5 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 7.8 Combinat : 8.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.2 Inteligență generală : 6.1 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#69#69	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 4 Tokenuri de intrare 214,645 Tokenuri de ieșire 15,532 Tokenuri de raționament 103,679 Timp de răspuns (mediu) 29.42s Timp de răspuns (total) 676.56s Timp de răspuns (maxim) 111.48s Răspuns greșit: 5 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.1 Programare : 10.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#70#70	Muse Glimmer 30Bxhigh	8.4	Meta	$0.823 ↑	97.70s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 9.9 Rată de trecere pe încercare 71.0% Teste instabile 4 Tokenuri de intrare 287,538 Tokenuri de ieșire 118,266 Tokenuri de raționament 346,758 Timp de răspuns (mediu) 97.70s Timp de răspuns (total) 2247.18s Timp de răspuns (maxim) 576.79s Răspuns greșit: 4 Fără răspuns: 3 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 10.0 Combinat : 6.0 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#71#71	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
#72#72	Inklinghigh	8.4	Thinkingmachines	$1.394 ↑	62.72s
Vezi fișa modelului Total teste 23 Teste greșite 7 Fiabilitate 10.0 Rată de trecere pe încercare 78.3% Teste instabile 3 Tokenuri de intrare 240,395 Tokenuri de ieșire 7,169 Tokenuri de raționament 242,073 Timp de răspuns (mediu) 62.72s Timp de răspuns (total) 1442.48s Timp de răspuns (maxim) 327.51s Răspuns greșit: 4 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 8.5 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#73#73	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 69.6% Teste instabile 6 Tokenuri de intrare 336,310 Tokenuri de ieșire 10,838 Tokenuri de raționament 494,728 Timp de răspuns (mediu) 37.41s Timp de răspuns (total) 860.39s Timp de răspuns (maxim) 196.03s Răspuns greșit: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 7.5 Programare : 10.0 Combinat : 5.9 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.8 Apelare instrumente : 9.6 Cultură generală : 3.0
#74#74	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.578 ↑	118.83s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 76.8% Teste instabile 5 Tokenuri de intrare 281,863 Tokenuri de ieșire 24,535 Tokenuri de raționament 507,976 Timp de răspuns (mediu) 118.83s Timp de răspuns (total) 2733.01s Timp de răspuns (maxim) 600.61s Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 8.7 Programare : 6.3 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#75#75	GLM 5.2high	8.4	Z.ai	$1.644 ↑	69.11s
Vezi fișa modelului Total teste 23 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 71.0% Teste instabile 3 Tokenuri de intrare 288,913 Tokenuri de ieșire 79,462 Tokenuri de raționament 303,120 Timp de răspuns (mediu) 69.11s Timp de răspuns (total) 1589.43s Timp de răspuns (maxim) 599.43s Răspuns greșit: 5 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 10.0 Programare : 6.4 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.1 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 6.0 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