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)
#211#211	Nemotron 3.5 Lightninghigh	5.6	NVIDIA	$0.168 ↕	58.26s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 9.9 Rată de trecere pe încercare 50.0% Teste instabile 12 Tokenuri de intrare 118,016 Tokenuri de ieșire 148,344 Tokenuri de raționament 506,253 Timp de răspuns (mediu) 58.26s Timp de răspuns (total) 1281.79s Timp de răspuns (maxim) 285.26s Răspuns greșit: 11 Nu a urmat instrucțiunile: 4 Formatare suplimentară: 1 Apel de instrument invalid: 1 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
#212#212	Qwen3.6 27Bnone	5.5	Qwen	$0.116 ↑	10.62s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 6 Tokenuri de intrare 95,805 Tokenuri de ieșire 16,156 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.62s Timp de răspuns (total) 233.68s Timp de răspuns (maxim) 156.31s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.8 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 7.3 Specific domeniului : 7.7 Inteligență generală : 5.2 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 9.5 Cultură generală : 3.0
#213#213	Hy3 previewlow	5.5	Tencent	$0.042 ↕	24.56s
Vezi fișa modelului Total teste 21 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 50.0% Teste instabile 2 Tokenuri de intrare 21,045 Tokenuri de ieșire 63,460 Tokenuri de raționament 0 Timp de răspuns (mediu) 24.56s Timp de răspuns (total) 368.35s Timp de răspuns (maxim) 78.74s Eroare API: 7 Răspuns greșit: 4 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.0 Parsare și extragere de date : 6.5 Specific domeniului : 5.9 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#214#214	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 40.9% Teste instabile 0 Tokenuri de intrare 122,463 Tokenuri de ieșire 11,445 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.12s Timp de răspuns (total) 68.69s Timp de răspuns (maxim) 44.76s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 6.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 7.7 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 6.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#215#215	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
Vezi fișa modelului Total teste 21 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 37.9% Teste instabile 1 Tokenuri de intrare 40,852 Tokenuri de ieșire 3,314 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.44s Timp de răspuns (total) 48.81s Timp de răspuns (maxim) 6.81s Răspuns greșit: 10 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.6 Programare : 4.4 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.1 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#216#216	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.030 ↓	36.17s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 4 Tokenuri de intrare 240,230 Tokenuri de ieșire 100,726 Tokenuri de raționament 0 Timp de răspuns (mediu) 36.17s Timp de răspuns (total) 795.83s Timp de răspuns (maxim) 247.27s Răspuns greșit: 13 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 4.2 Combinat : 4.6 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#217#217	Laguna S 2.1medium	5.4	Poolside	$0.053 ↓	58.42s
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 86,647 Tokenuri de ieșire 97,298 Tokenuri de raționament 242,297 Timp de răspuns (mediu) 58.42s Timp de răspuns (total) 1285.26s Timp de răspuns (maxim) 560.31s Răspuns greșit: 13 Apel de instrument invalid: 2 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 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
#218#218	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.046	10.63s
Vezi fișa modelului Total teste 22 Teste greșite 15 Fiabilitate 9.9 Rată de trecere pe încercare 43.9% Teste instabile 6 Tokenuri de intrare 61,094 Tokenuri de ieșire 6,532 Tokenuri de raționament 53,882 Timp de răspuns (mediu) 10.63s Timp de răspuns (total) 233.77s Timp de răspuns (maxim) 86.23s Răspuns greșit: 7 Formatare suplimentară: 4 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 7.3 Programare : 3.5 Combinat : 6.4 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#219#219	GPT-5.6 Lunanone	5.4	OpenAI	$0.015 ↓	1.50s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 3 Tokenuri de intrare 101,332 Tokenuri de ieșire 6,709 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.50s Timp de răspuns (total) 33.05s Timp de răspuns (maxim) 10.57s Răspuns greșit: 14 Formatare suplimentară: 1 Apel de instrument invalid: 1 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
#220#220	MiMo-V2.5-Pronone	5.4	Xiaomi	$0.068 ↓	4.24s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 33.3% Teste instabile 4 Tokenuri de intrare 124,808 Tokenuri de ieșire 15,362 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.24s Timp de răspuns (total) 93.28s Timp de răspuns (maxim) 53.13s Răspuns greșit: 12 Nu a urmat instrucțiunile: 4 Fără răspuns: 1 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
#221#221	Kimi K2.5none	5.4	Moonshot AI	$0.127 ↑	18.03s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 4 Tokenuri de intrare 89,320 Tokenuri de ieșire 26,643 Tokenuri de raționament 0 Timp de răspuns (mediu) 18.03s Timp de răspuns (total) 288.42s Timp de răspuns (maxim) 102.83s Răspuns greșit: 16 Fără răspuns: 1 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
#222#222	DeepSeek V4 Flash 0731none	5.4	DeepSeek	$0.021	20.72s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 4 Tokenuri de intrare 94,566 Tokenuri de ieșire 25,426 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.72s Timp de răspuns (total) 455.81s Timp de răspuns (maxim) 387.15s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Formatare suplimentară: 1 Trucuri anti-AI : 3.4 Programare : 4.3 Combinat : 3.7 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 5.0 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 9.5 Cultură generală : 3.0
#223#223	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 5 Tokenuri de intrare 208,937 Tokenuri de ieșire 175,588 Tokenuri de raționament 409,276 Timp de răspuns (mediu) 111.60s Timp de răspuns (total) 2455.24s Timp de răspuns (maxim) 1190.11s Răspuns greșit: 11 Apel de instrument invalid: 2 Fără răspuns: 2 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.4 Programare : 5.3 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 4.6 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#224#224	Inkling Smallnone	5.3	Thinkingmachines	$0.054 ↓	1.51s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 24.2% Teste instabile 1 Tokenuri de intrare 94,733 Tokenuri de ieșire 8,770 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.51s Timp de răspuns (total) 33.21s Timp de răspuns (maxim) 12.35s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.1 Programare : 3.6 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#225#225	Laguna XS 2.1none	5.3	Poolside	$0.008	1.55s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 3 Tokenuri de intrare 91,607 Tokenuri de ieșire 13,377 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.55s Timp de răspuns (total) 34.01s Timp de răspuns (maxim) 19.02s Răspuns greșit: 14 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Timp expirat: 1 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
#226#226	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 8.6 Rată de trecere pe încercare 36.4% Teste instabile 5 Tokenuri de intrare 159,749 Tokenuri de ieșire 23,433 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.67s Timp de răspuns (total) 322.71s Timp de răspuns (maxim) 132.84s Răspuns greșit: 11 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.0 Programare : 3.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.5 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.2 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#227#227	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.59s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 18.2% Teste instabile 0 Tokenuri de intrare 106,423 Tokenuri de ieșire 11,555 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.59s Timp de răspuns (total) 163.20s Timp de răspuns (maxim) 25.72s Răspuns greșit: 12 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 6.5 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 : 3.0
#228#228	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Vezi fișa modelului Total teste 16 Teste greșite 3 Fiabilitate N/D Rată de trecere pe încercare 59.1% Teste instabile 0 Tokenuri de intrare 28,980 Tokenuri de ieșire 1,283 Tokenuri de raționament 1,533,310 Timp de răspuns (mediu) 68.14s Timp de răspuns (total) 1090.28s Timp de răspuns (maxim) 280.52s Răspuns greșit: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 7.5 Programare : 0.0 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#229#229	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.061 ↑	5.57s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 28.8% Teste instabile 5 Tokenuri de intrare 93,990 Tokenuri de ieșire 45,905 Tokenuri de raționament 0 Timp de răspuns (mediu) 5.57s Timp de răspuns (total) 111.32s Timp de răspuns (maxim) 39.54s Răspuns greșit: 13 Eroare API: 2 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 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
#230#230	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 16.7% Teste instabile 1 Tokenuri de intrare 116,155 Tokenuri de ieșire 19,679 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.53s Timp de răspuns (total) 77.68s Timp de răspuns (maxim) 24.48s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Formatare suplimentară: 1 Apel de instrument invalid: 1 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
#231#231	Inklingnone	5.2	Thinkingmachines	$0.142 ↓	3.47s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 28.8% Teste instabile 1 Tokenuri de intrare 104,120 Tokenuri de ieșire 10,554 Tokenuri de raționament 0 Timp de răspuns (mediu) 3.47s Timp de răspuns (total) 76.28s Timp de răspuns (maxim) 48.02s Răspuns greșit: 13 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 4.5 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.6 Apelare instrumente : 3.0 Cultură generală : 3.0
#232#232	Nemotron 3.5 Lightningmedium	5.1	NVIDIA	$0.195 ↕	70.11s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 9.9 Rată de trecere pe încercare 48.5% Teste instabile 11 Tokenuri de intrare 126,330 Tokenuri de ieșire 165,702 Tokenuri de raționament 594,739 Timp de răspuns (mediu) 70.11s Timp de răspuns (total) 1542.52s Timp de răspuns (maxim) 437.11s Răspuns greșit: 13 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 4.4 Combinat : 6.2 Parsare și extragere de date : 3.7 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 8.5 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#233#233	Mistral Small 4none	5.1	Mistral	$0.022	1.20s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 104,717 Tokenuri de ieșire 9,812 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.20s Timp de răspuns (total) 26.41s Timp de răspuns (maxim) 13.16s Răspuns greșit: 16 Nu a urmat instrucțiunile: 1 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
#234#234	Mistral Small 4medium	5.1	Mistral	$0.097	10.80s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 8 Tokenuri de intrare 140,559 Tokenuri de ieșire 40,268 Tokenuri de raționament 93,329 Timp de răspuns (mediu) 10.80s Timp de răspuns (total) 237.60s Timp de răspuns (maxim) 59.15s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Eroare API: 1 Fără răspuns: 1 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
#235#235	Qwen3 Coder Nextnone	5.1	Qwen	$0.026 ↑	8.63s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 134,227 Tokenuri de ieșire 11,808 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.63s Timp de răspuns (total) 146.72s Timp de răspuns (maxim) 45.14s Răspuns greșit: 14 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 3.6 Programare : 4.6 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
#236#236	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.68s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 27.3% Teste instabile 2 Tokenuri de intrare 141,052 Tokenuri de ieșire 16,464 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.68s Timp de răspuns (total) 103.02s Timp de răspuns (maxim) 55.36s Răspuns greșit: 14 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 3.5 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 2.9 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#237#237	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.19s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 19.7% Teste instabile 1 Tokenuri de intrare 144,416 Tokenuri de ieșire 37,484 Tokenuri de raționament 0 Timp de răspuns (mediu) 19.19s Timp de răspuns (total) 422.25s Timp de răspuns (maxim) 382.06s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.1 Programare : 3.9 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 : 3.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#238#238	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 32,525 Tokenuri de ieșire 1,815 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.82s Timp de răspuns (total) 59.29s Timp de răspuns (maxim) 8.21s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#239#239	North Mini Codenone	5.1	Cohere	$0.000	29.95s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.7 Rată de trecere pe încercare 18.2% Teste instabile 0 Tokenuri de intrare 130,501 Tokenuri de ieșire 26,786 Tokenuri de raționament 0 Timp de răspuns (mediu) 29.95s Timp de răspuns (total) 658.83s Timp de răspuns (maxim) 159.85s Răspuns greșit: 12 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Trucuri anti-AI : 3.0 Programare : 3.9 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.9 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.5 Apelare instrumente : 9.5 Cultură generală : 3.0
#240#240	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 9 Tokenuri de intrare 114,527 Tokenuri de ieșire 18,558 Tokenuri de raționament 129,146 Timp de răspuns (mediu) 43.25s Timp de răspuns (total) 908.21s Timp de răspuns (maxim) 196.21s Răspuns greșit: 6 Nu a urmat instrucțiunile: 5 Fără răspuns: 2 Timp expirat: 2 Eroare API: 1 Apel de instrument invalid: 1 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

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