AI BENCHY

Clasament Benchmark AI

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: 2026-05-10 Modele evaluate: 144

144/144

Rang	Model	Scor	Companie	Cost total	Timp de răspuns (mediu)
#121#121	gpt-oss-120bnone	5.2	OpenAI	$0.011	21.86s
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 36.8% Teste instabile 3 Tokenuri de ieșire 51,505 Tokenuri de raționament 0 Timp de răspuns (mediu) 21.86s Timp de răspuns (total) 349.78s Timp de răspuns (maxim) 113.71s Răspuns greșit: 8 Eroare API: 3 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 6.5 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#122#122	DeepSeek V4 Flashnone	5.2	DeepSeek	$0.008	28.01s
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 31.6% Teste instabile 2 Tokenuri de ieșire 4,464 Tokenuri de raționament 0 Timp de răspuns (mediu) 28.01s Timp de răspuns (total) 532.17s Timp de răspuns (maxim) 111.96s Răspuns greșit: 10 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.0 Programare : 6.3 Combinat : 4.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#123#123	Qwen3 Coder Nextnone	5.2	Qwen	$0.008	9.44s
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 29.8% Teste instabile 1 Tokenuri de ieșire 3,629 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.44s Timp de răspuns (total) 122.73s Timp de răspuns (maxim) 45.14s Răspuns greșit: 12 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.6 Programare : 7.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#124#124	Nemotron 3 Supernone	5.2	NVIDIA	$0.002	5.80s
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 35.1% Teste instabile 3 Tokenuri de ieșire 6,145 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.80s Timp de răspuns (total) 110.20s Timp de răspuns (maxim) 16.45s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 4.8 Programare : 3.3 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#125#125	MiniMax M2.7medium	5.1	Minimax	$0.095	30.62s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 49.1% Teste instabile 10 Tokenuri de ieșire 8,052 Tokenuri de raționament 66,239 Timp de răspuns (mediu) 30.62s Timp de răspuns (total) 551.14s Timp de răspuns (maxim) 117.04s Răspuns greșit: 7 Nu a urmat instrucțiunile: 5 Timp expirat: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.9 Programare : 10.0 Combinat : 4.7 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 3.8 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#126#126	Mistral Small 4none	5.1	Mistral	$0.006	651ms
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 29.8% Teste instabile 1 Tokenuri de ieșire 2,224 Tokenuri de raționament 0 Timp de răspuns (mediu) 651ms Timp de răspuns (total) 12.37s Timp de răspuns (maxim) 1.72s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 4.5 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
#127#127	GPT-5.4 Mininone	5.0	OpenAI	$0.032	1.18s
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 3 Tokenuri de ieșire 2,461 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.18s Timp de răspuns (total) 22.34s Timp de răspuns (maxim) 2.52s Răspuns greșit: 11 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.1 Programare : 10.0 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 3.0 Cultură generală : 3.0
#128#128	Qwen3.6 35B A3Bnone	5.0	Qwen	$0.019	2.73s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 37.3% Teste instabile 5 Tokenuri de ieșire 17,515 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.73s Timp de răspuns (total) 46.41s Timp de răspuns (maxim) 12.46s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.6 Programare : 10.0 Combinat : 0.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 0.0 Cultură generală : 3.0
#129#129	GPT-4o-mininone	4.9	OpenAI	$0.005	1.90s
Vezi fișa modelului Total teste 19 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 26.3% Teste instabile 0 Tokenuri de ieșire 1,962 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.90s Timp de răspuns (total) 22.79s Timp de răspuns (maxim) 7.58s Răspuns greșit: 13 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 4.8 Programare : 3.0 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
#130#130	MiMo-V2.5none	4.9	Xiaomi	$0.019	2.02s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 28.1% Teste instabile 2 Tokenuri de ieșire 2,231 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.02s Timp de răspuns (total) 38.45s Timp de răspuns (maxim) 6.86s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Trucuri anti-AI : 3.5 Programare : 10.0 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 : 4.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#131#131	Qwen3 Coder Nextmedium	4.8	Qwen	$0.008	9.95s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 31.6% Teste instabile 3 Tokenuri de ieșire 3,253 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.95s Timp de răspuns (total) 129.40s Timp de răspuns (maxim) 81.80s Răspuns greșit: 11 Nu a urmat instrucțiunile: 3 Timp expirat: 1 Trucuri anti-AI : 3.5 Programare : 4.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.3 Inteligență generală : 6.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#132#132	Trinity Large Previewnone	4.8	Arcee AI	$0.001	3.03s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 26.3% Teste instabile 3 Tokenuri de ieșire 2,190 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.03s Timp de răspuns (total) 57.60s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.1 Programare : 4.9 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.5 Respectarea instrucțiunilor : 3.4 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#133#133	Mercury 2none	4.7	Inception	$0.007	610ms
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 26.3% Teste instabile 2 Tokenuri de ieșire 1,644 Tokenuri de raționament 0 Timp de răspuns (mediu) 610ms Timp de răspuns (total) 11.59s Timp de răspuns (maxim) 1.27s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#134#134	Qwen3.5-9Bnone	4.7	Qwen	$0.005	1.51s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 22.8% Teste instabile 1 Tokenuri de ieșire 3,957 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.51s Timp de răspuns (total) 28.75s Timp de răspuns (maxim) 5.91s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.1 Programare : 5.2 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#135#135	Hy3 previewnone	4.6	Tencent	$0.000	12.96s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 26.3% Teste instabile 2 Tokenuri de ieșire 2,654 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.96s Timp de răspuns (total) 233.26s Timp de răspuns (maxim) 35.84s Răspuns greșit: 8 Nu a urmat instrucțiunile: 4 Eroare API: 2 Formatare suplimentară: 1 Trucuri anti-AI : 4.8 Programare : 2.3 Combinat : 3.0 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
#136#136	Nemotron 3 Nano Omni 30b A3b Reasoningnone	4.6	NVIDIA	$0.000	726ms
Vezi fișa modelului Total teste 19 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 25.6% Teste instabile 2 Tokenuri de ieșire 1,267 Tokenuri de raționament 0 Timp de răspuns (mediu) 726ms Timp de răspuns (total) 9.44s Timp de răspuns (maxim) 2.21s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.3 Programare : 10.0 Combinat : 0.0 Parsare și extragere de date : 3.8 Specific domeniului : 3.6 Inteligență generală : 0.0 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 0.0 Cultură generală : 0.0
#137#137	GPT-5.4 Nanonone	4.5	OpenAI	$0.010	1.36s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 31.6% Teste instabile 6 Tokenuri de ieșire 2,783 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.36s Timp de răspuns (total) 25.91s Timp de răspuns (maxim) 3.84s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.5 Programare : 7.1 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#138#138	GLM 4.7 Flashmedium	4.5	Z.ai	$0.046	30.57s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 36.8% Teste instabile 8 Tokenuri de ieșire 39,759 Tokenuri de raționament 73,598 Timp de răspuns (mediu) 30.57s Timp de răspuns (total) 366.78s Timp de răspuns (maxim) 174.55s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Timp expirat: 1 Trucuri anti-AI : 4.7 Programare : 3.6 Combinat : 2.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.5 Inteligență generală : 3.6 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#139#139	MiMo-V2-Flashnone	4.5	Xiaomi	$0.023	2.73s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 26.3% Teste instabile 5 Tokenuri de ieșire 68,534 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.73s Timp de răspuns (total) 40.90s Timp de răspuns (maxim) 19.68s Răspuns greșit: 13 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.2 Programare : 6.3 Combinat : 3.0 Parsare și extragere de date : 2.9 Specific domeniului : 5.3 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#140#140	Ling-2.6-1Tnone	4.5	Inclusionai	$0.000	8.79s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 16.7% Teste instabile 0 Tokenuri de ieșire 2,434 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.79s Timp de răspuns (total) 158.19s Timp de răspuns (maxim) 25.72s Răspuns greșit: 12 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 3.0 Cultură generală : 0.0
#141#141	Grok 4.1 Fastnone	4.4	X AI	$0.009	1.67s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 22.8% Teste instabile 3 Tokenuri de ieșire 1,733 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.67s Timp de răspuns (total) 20.08s Timp de răspuns (maxim) 5.51s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Trucuri anti-AI : 3.2 Programare : 5.3 Combinat : 3.0 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
#142#142	Qwen3.5-9Bmedium	4.3	Qwen	$0.035	80.10s
Vezi fișa modelului Total teste 19 Teste greșite 16 Fiabilitate 3.3 Rată de trecere pe încercare 33.3% Teste instabile 7 Tokenuri de ieșire 27,365 Tokenuri de raționament 202,291 Timp de răspuns (mediu) 80.10s Timp de răspuns (total) 1281.62s Timp de răspuns (maxim) 226.38s Timp expirat: 10 Răspuns greșit: 3 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 5.1 Programare : 2.6 Combinat : 3.0 Parsare și extragere de date : 3.6 Specific domeniului : 3.6 Inteligență generală : 2.8 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#143#143	LFM2-24B-A2Bnone	4.2	Liquid	$0.001	811ms
Vezi fișa modelului Total teste 16 Teste greșite 14 Fiabilitate N/D Rată de trecere pe încercare 18.8% Teste instabile 2 Tokenuri de ieșire 1,185 Tokenuri de raționament 0 Timp de răspuns (mediu) 811ms Timp de răspuns (total) 11.35s Timp de răspuns (maxim) 2.88s Răspuns greșit: 8 Eroare API: 4 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.9 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.7 Apelare instrumente : 3.0
#144#144	Granite 4.1 8Bnone	4.1	IBM Granite	$0.003	743ms
Vezi fișa modelului Total teste 19 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 10.5% Teste instabile 0 Tokenuri de ieșire 2,724 Tokenuri de raționament 0 Timp de răspuns (mediu) 743ms Timp de răspuns (total) 14.11s Timp de răspuns (maxim) 2.17s Răspuns greșit: 12 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 4.9 Programare : 6.9 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

Comparație rapidă

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsQwen3.6 Max Previewmedium Gemini 3 Flash PreviewmediumvsRing 2.6 1tmediumDisponibil gratuit Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsGPT-5.5medium GPT-5.5mediumvsGPT-5.5low GPT-5.5lowvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsQwen3.6 Max Previewmedium

Clasament Benchmark AI

Filtrează modelele

Comparație rapidă