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)
#241#241	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% Teste instabile 5 Tokenuri de intrare 118,752 Tokenuri de ieșire 67,823 Tokenuri de raționament 383,885 Timp de răspuns (mediu) 85.34s Timp de răspuns (total) 1877.49s Timp de răspuns (maxim) 814.73s Răspuns greșit: 15 Eroare API: 1 Formatare suplimentară: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 3.8 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#242#242	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 5 Tokenuri de intrare 135,831 Tokenuri de ieșire 42,099 Tokenuri de raționament 0 Timp de răspuns (mediu) 17.89s Timp de răspuns (total) 393.53s Timp de răspuns (maxim) 115.89s Răspuns greșit: 8 Eroare API: 3 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.2 Programare : 3.1 Combinat : 4.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 4.7 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#243#243	GPT-4o-mininone	5.0	OpenAI	$0.010	1.92s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 22.7% Teste instabile 0 Tokenuri de intrare 53,145 Tokenuri de ieșire 2,913 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.92s Timp de răspuns (total) 30.71s Timp de răspuns (maxim) 7.58s Răspuns greșit: 15 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 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
#244#244	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 40.9% Teste instabile 0 Tokenuri de intrare 32,639 Tokenuri de ieșire 1,153 Tokenuri de raționament 62,197 Timp de răspuns (mediu) 15.25s Timp de răspuns (total) 182.96s Timp de răspuns (maxim) 43.55s Eroare API: 8 Răspuns greșit: 2 Trucuri anti-AI : 8.3 Programare : 9.8 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#245#245	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
Vezi fișa modelului Total teste 22 Teste greșite 16 Fiabilitate 9.6 Rată de trecere pe încercare 30.3% Teste instabile 2 Tokenuri de intrare 114,384 Tokenuri de ieșire 14,903 Tokenuri de raționament 0 Timp de răspuns (mediu) 10.71s Timp de răspuns (total) 214.28s Timp de răspuns (maxim) 36.03s Răspuns greșit: 9 Apel de instrument invalid: 3 Eroare API: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.8 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 3.0 Cultură generală : 3.0
#246#246	Nemotron 3 Supernone	4.8	NVIDIA	$0.008 ↑	6.04s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 9.2 Rată de trecere pe încercare 27.3% Teste instabile 2 Tokenuri de intrare 63,528 Tokenuri de ieșire 6,432 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.04s Timp de răspuns (total) 132.96s Timp de răspuns (maxim) 20.00s Răspuns greșit: 15 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 : 3.0 Inteligență generală : 4.6 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 4.7 Cultură generală : 3.0
#247#247	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
Vezi fișa modelului Total teste 22 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 2 Tokenuri de intrare 7,608 Tokenuri de ieșire 40,277 Tokenuri de raționament 0 Timp de răspuns (mediu) 51.99s Timp de răspuns (total) 831.90s Timp de răspuns (maxim) 143.82s Eroare API: 6 Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 9.2 Programare : 5.3 Combinat : 3.0 Parsare și extragere de date : 3.0 Specific domeniului : 5.3 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#248#248	Nemotron 3.5 Lightninglow	4.8	NVIDIA	$0.175 ↕	59.81s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 9.8 Rată de trecere pe încercare 42.4% Teste instabile 9 Tokenuri de intrare 138,792 Tokenuri de ieșire 142,972 Tokenuri de raționament 522,202 Timp de răspuns (mediu) 59.81s Timp de răspuns (total) 1315.80s Timp de răspuns (maxim) 312.21s Răspuns greșit: 14 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 4.0 Combinat : 6.3 Parsare și extragere de date : 2.9 Specific domeniului : 3.6 Inteligență generală : 3.7 Respectarea instrucțiunilor : 8.4 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#249#249	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
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 115,933 Tokenuri de ieșire 13,794 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.56s Timp de răspuns (total) 56.37s Timp de răspuns (maxim) 25.50s Răspuns greșit: 15 Nu a urmat instrucțiunile: 2 Fără răspuns: 1 Trucuri anti-AI : 3.5 Programare : 4.6 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 : 5.4 Apelare instrumente : 10.0 Cultură generală : 3.0
#250#250	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.624	75.86s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 39.4% Teste instabile 8 Tokenuri de intrare 101,776 Tokenuri de ieșire 276,367 Tokenuri de raționament 656,252 Timp de răspuns (mediu) 75.86s Timp de răspuns (total) 1668.93s Timp de răspuns (maxim) 510.21s Răspuns greșit: 10 Nu a urmat instrucțiunile: 4 Apel de instrument invalid: 2 Fără răspuns: 1 Trucuri anti-AI : 6.7 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 4.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#251#251	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 48.5% Teste instabile 5 Tokenuri de intrare 721,952 Tokenuri de ieșire 294,668 Tokenuri de raționament 305,374 Timp de răspuns (mediu) 9.69s Timp de răspuns (total) 155.07s Timp de răspuns (maxim) 35.28s Răspuns greșit: 4 Eroare API: 2 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Trucuri anti-AI : 6.9 Programare : 3.3 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 5.8 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 3.0 Cultură generală : 0.0
#252#252	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 36.4% Teste instabile 7 Tokenuri de intrare 69,376 Tokenuri de ieșire 97,752 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.46s Timp de răspuns (total) 274.11s Timp de răspuns (maxim) 121.05s Răspuns greșit: 13 Formatare suplimentară: 3 Eroare API: 1 Trucuri anti-AI : 5.3 Programare : 3.3 Combinat : 3.8 Parsare și extragere de date : 6.3 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 2.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#253#253	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
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 101,513 Tokenuri de ieșire 22,992 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.81s Timp de răspuns (total) 140.88s Timp de răspuns (maxim) 97.15s Răspuns greșit: 14 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 5.2 Programare : 4.3 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 4.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 6.4 Apelare instrumente : 2.8 Cultură generală : 3.0
#254#254	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
Vezi fișa modelului Total teste 21 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 21.2% Teste instabile 2 Tokenuri de intrare 29,828 Tokenuri de ieșire 2,169 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.98s Timp de răspuns (total) 56.57s Timp de răspuns (maxim) 14.34s Răspuns greșit: 12 Nu a urmat instrucțiunile: 3 Eroare API: 2 Trucuri anti-AI : 3.1 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.5 Respectarea instrucțiunilor : 3.5 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#255#255	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
Vezi fișa modelului Total teste 18 Teste greșite 10 Fiabilitate N/D Rată de trecere pe încercare 53.0% Teste instabile 6 Tokenuri de intrare 28,927 Tokenuri de ieșire 4,682 Tokenuri de raționament 17,969 Timp de răspuns (mediu) 10.33s Timp de răspuns (total) 175.58s Timp de răspuns (maxim) 30.53s Răspuns greșit: 4 Nu a urmat instrucțiunile: 2 Timp expirat: 2 Eroare API: 1 Formatare suplimentară: 1 Trucuri anti-AI : 7.3 Programare : 9.8 Combinat : 2.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 7.0 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.1 Apelare instrumente : 10.0 Cultură generală : 0.0
#256#256	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 53.0% Teste instabile 6 Tokenuri de intrare 42,845 Tokenuri de ieșire 2,006 Tokenuri de raționament 96,334 Timp de răspuns (mediu) 23.85s Timp de răspuns (total) 286.16s Timp de răspuns (maxim) 121.79s Nu a urmat instrucțiunile: 4 Răspuns greșit: 4 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 8.7 Programare : 7.8 Combinat : 5.0 Parsare și extragere de date : 10.0 Specific domeniului : 5.8 Inteligență generală : 4.2 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 2.8 Cultură generală : 3.0
#257#257	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
Vezi fișa modelului Total teste 19 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 2 Tokenuri de intrare 44,969 Tokenuri de ieșire 58,087 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.73s Timp de răspuns (total) 220.93s Timp de răspuns (maxim) 53.14s Eroare API: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 6.5 Programare : 1.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#258#258	Cobuddymedium	4.7	Baidu	$0.000	39.90s
Vezi fișa modelului Total teste 21 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 45.5% Teste instabile 6 Tokenuri de intrare 37,449 Tokenuri de ieșire 1,677 Tokenuri de raționament 116,703 Timp de răspuns (mediu) 39.90s Timp de răspuns (total) 797.98s Timp de răspuns (maxim) 309.02s Răspuns greșit: 9 Nu a urmat instrucțiunile: 3 Eroare API: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 8.7 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.3 Specific domeniului : 2.9 Inteligență generală : 4.2 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 3.6 Apelare instrumente : 10.0 Cultură generală : 3.0
#259#259	Mercury 2none	4.7	Inception	$0.030	825ms
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 24.2% Teste instabile 2 Tokenuri de intrare 89,637 Tokenuri de ieșire 9,584 Tokenuri de raționament 0 Timp de răspuns (mediu) 825ms Timp de răspuns (total) 18.14s Timp de răspuns (maxim) 4.52s Răspuns greșit: 17 Nu a urmat instrucțiunile: 1 Trucuri anti-AI : 3.0 Programare : 3.4 Combinat : 3.0 Parsare și extragere de date : 7.3 Specific domeniului : 5.9 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 10.0 Cultură generală : 3.0
#260#260	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
Vezi fișa modelului Total teste 22 Teste greșite 19 Fiabilitate 10.0 Rată de trecere pe încercare 25.8% Teste instabile 4 Tokenuri de intrare 148,203 Tokenuri de ieșire 19,069 Tokenuri de raționament 0 Timp de răspuns (mediu) 9.07s Timp de răspuns (total) 154.19s Timp de răspuns (maxim) 81.80s Răspuns greșit: 14 Nu a urmat instrucțiunile: 3 Fără răspuns: 1 Timp expirat: 1 Trucuri anti-AI : 3.5 Programare : 3.7 Combinat : 3.0 Parsare și extragere de date : 6.5 Specific domeniului : 3.6 Inteligență generală : 6.3 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#261#261	MiniMax M2.5medium	4.6	Minimax	$0.272 ↓	69.08s
Vezi fișa modelului Total teste 22 Teste greșite 17 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 9 Tokenuri de intrare 142,621 Tokenuri de ieșire 20,409 Tokenuri de raționament 251,820 Timp de răspuns (mediu) 69.08s Timp de răspuns (total) 1036.24s Timp de răspuns (maxim) 251.36s Răspuns greșit: 7 Timp expirat: 4 Nu a urmat instrucțiunile: 3 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 7.9 Programare : 3.4 Combinat : 3.7 Parsare și extragere de date : 4.6 Specific domeniului : 2.9 Inteligență generală : 3.8 Respectarea instrucțiunilor : 7.5 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#262#262	Laguna S 2.1none	4.5	Poolside	$0.022 ↓	11.67s
Vezi fișa modelului Total teste 22 Teste greșite 20 Fiabilitate 10.0 Rată de trecere pe încercare 15.2% Teste instabile 3 Tokenuri de intrare 125,604 Tokenuri de ieșire 57,634 Tokenuri de raționament 0 Timp de răspuns (mediu) 11.67s Timp de răspuns (total) 256.71s Timp de răspuns (maxim) 200.52s Răspuns greșit: 18 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Trucuri anti-AI : 3.1 Programare : 3.4 Combinat : 2.9 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 4.3 Rezolvare de puzzle-uri : 3.1 Apelare instrumente : 4.7 Cultură generală : 3.0
#263#263	Grok 4.20 Betanone	4.4	X AI	$0.087 ↓	1.19s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 30.3% Teste instabile 1 Tokenuri de intrare 40,597 Tokenuri de ieșire 1,657 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.19s Timp de răspuns (total) 21.43s Timp de răspuns (maxim) 6.48s Răspuns greșit: 10 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.0 Programare : 1.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 0.0
#264#264	Laguna M.1none	4.4	Poolside	$0.009 ↕	2.89s
Vezi fișa modelului Total teste 19 Teste greșite 15 Fiabilitate 9.8 Rată de trecere pe încercare 27.3% Teste instabile 3 Tokenuri de intrare 38,147 Tokenuri de ieșire 2,054 Tokenuri de raționament 0 Timp de răspuns (mediu) 2.89s Timp de răspuns (total) 43.28s Timp de răspuns (maxim) 15.42s Răspuns greșit: 10 Eroare API: 4 Apel de instrument invalid: 1 Trucuri anti-AI : 3.4 Programare : 2.5 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 3.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#265#265	Elephant Alphanone	4.3	Openrouter	$0.000	1.22s
Vezi fișa modelului Total teste 21 Teste greșite 16 Fiabilitate N/D Rată de trecere pe încercare 25.8% Teste instabile 1 Tokenuri de intrare 33,743 Tokenuri de ieșire 2,573 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.22s Timp de răspuns (total) 22.03s Timp de răspuns (maxim) 3.81s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 3 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 4.2 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 4.2 Apelare instrumente : 3.0 Cultură generală : 3.0
#266#266	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
Vezi fișa modelului Total teste 22 Teste greșite 18 Fiabilitate 8.6 Rată de trecere pe încercare 31.8% Teste instabile 8 Tokenuri de intrare 79,104 Tokenuri de ieșire 42,254 Tokenuri de raționament 377,280 Timp de răspuns (mediu) 134.34s Timp de răspuns (total) 2015.13s Timp de răspuns (maxim) 1539.97s Răspuns greșit: 9 Fără răspuns: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Timp expirat: 2 Trucuri anti-AI : 4.7 Programare : 3.2 Combinat : 2.9 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
#267#267	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
Vezi fișa modelului Total teste 21 Teste greșite 15 Fiabilitate N/D Rată de trecere pe încercare 28.8% Teste instabile 1 Tokenuri de intrare 33,744 Tokenuri de ieșire 2,596 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.27s Timp de răspuns (total) 22.82s Timp de răspuns (maxim) 3.70s Răspuns greșit: 9 Eroare API: 3 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.6 Programare : 3.7 Combinat : 1.5 Parsare și extragere de date : 6.5 Specific domeniului : 3.0 Inteligență generală : 4.3 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 3.0 Cultură generală : 3.0
#268#268	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 37.9% Teste instabile 4 Tokenuri de intrare 34,329 Tokenuri de ieșire 2,264 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.70s Timp de răspuns (total) 79.86s Timp de răspuns (maxim) 15.17s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Eroare API: 1 Trucuri anti-AI : 3.5 Programare : 9.8 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 6.1 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 5.8 Apelare instrumente : 10.0 Cultură generală : 0.0
#269#269	Grok 4.20none	4.1	X AI	$0.057 ↓	1.11s
Vezi fișa modelului Total teste 18 Teste greșite 12 Fiabilitate N/D Rată de trecere pe încercare 27.3% Teste instabile 0 Tokenuri de intrare 41,313 Tokenuri de ieșire 1,923 Tokenuri de raționament 0 Timp de răspuns (mediu) 1.11s Timp de răspuns (total) 19.96s Timp de răspuns (maxim) 6.04s Răspuns greșit: 10 Formatare suplimentară: 1 Apel de instrument invalid: 1 Trucuri anti-AI : 4.8 Programare : 1.1 Combinat : 1.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 4.8 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 0.0
#270#270	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
Vezi fișa modelului Total teste 19 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 43.9% Teste instabile 6 Tokenuri de intrare 39,481 Tokenuri de ieșire 54,218 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.73s Timp de răspuns (total) 100.98s Timp de răspuns (maxim) 29.11s Răspuns greșit: 6 Eroare API: 4 Fără răspuns: 2 Apel de instrument invalid: 1 Trucuri anti-AI : 6.9 Programare : 2.1 Combinat : 1.5 Parsare și extragere de date : 7.1 Specific domeniului : 4.1 Inteligență generală : 3.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 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