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)
#201#201	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
Vezi fișa modelului Total teste 23 Teste greșite 16 Fiabilitate 10.0 Rată de trecere pe încercare 36.2% Teste instabile 2 Tokenuri de intrare 405,921 Tokenuri de ieșire 97,112 Tokenuri de raționament 0 Timp de răspuns (mediu) 14.79s Timp de răspuns (total) 340.25s Timp de răspuns (maxim) 212.63s Răspuns greșit: 13 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 10.0 Trucuri anti-AI : 4.8 Programare : 3.7 Combinat : 5.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.3 Rezolvare de puzzle-uri : 3.8 Apelare instrumente : 10.0 Cultură generală : 3.0
#202#202	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 3 Tokenuri de intrare 233,893 Tokenuri de ieșire 12,432 Tokenuri de raționament 0 Timp de răspuns (mediu) 6.05s Timp de răspuns (total) 102.89s Timp de răspuns (maxim) 57.84s Răspuns greșit: 9 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#203#203	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.9 Rată de trecere pe încercare 60.9% Teste instabile 5 Tokenuri de intrare 299,558 Tokenuri de ieșire 33,248 Tokenuri de raționament 374,819 Timp de răspuns (mediu) 133.93s Timp de răspuns (total) 3080.36s Timp de răspuns (maxim) 519.91s Răspuns greșit: 6 Nu a urmat instrucțiunile: 2 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 8.2 Programare : 5.5 Combinat : 6.4 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 3.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 9.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#204#204	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Vezi fișa modelului Total teste 22 Teste greșite 8 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 1 Tokenuri de intrare 106,316 Tokenuri de ieșire 79,338 Tokenuri de raționament 41,089 Timp de răspuns (mediu) 28.08s Timp de răspuns (total) 421.15s Timp de răspuns (maxim) 140.96s Răspuns greșit: 4 Formatare suplimentară: 3 Timp expirat: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.5 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#205#205	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 9.6 Rată de trecere pe încercare 60.9% Teste instabile 8 Tokenuri de intrare 292,271 Tokenuri de ieșire 55,025 Tokenuri de raționament 186,071 Timp de răspuns (mediu) 125.76s Timp de răspuns (total) 2137.84s Timp de răspuns (maxim) 566.79s Răspuns greșit: 5 Timp expirat: 3 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.9 Trucuri anti-AI : 7.3 Programare : 6.1 Combinat : 6.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 6.5 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#206#206	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 9.7 Rată de trecere pe încercare 63.8% Teste instabile 5 Tokenuri de intrare 317,982 Tokenuri de ieșire 3,918 Tokenuri de raționament 135,028 Timp de răspuns (mediu) 7.74s Timp de răspuns (total) 178.07s Timp de răspuns (maxim) 107.89s Răspuns greșit: 9 Eroare API: 1 Timp expirat: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 5.0 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 4.4 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#207#207	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 1 Tokenuri de intrare 230,004 Tokenuri de ieșire 18,040 Tokenuri de raționament 0 Timp de răspuns (mediu) 4.67s Timp de răspuns (total) 107.45s Timp de răspuns (maxim) 49.23s Răspuns greșit: 7 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 6.5 Programare : 5.6 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 10.0 Respectarea instrucțiunilor : 6.4 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#208#208	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 63.8% Teste instabile 7 Tokenuri de intrare 253,462 Tokenuri de ieșire 40,269 Tokenuri de raționament 185,716 Timp de răspuns (mediu) 56.72s Timp de răspuns (total) 1304.54s Timp de răspuns (maxim) 333.34s Răspuns greșit: 4 Formatare suplimentară: 3 Nu a urmat instrucțiunile: 2 Eroare API: 1 Apel de instrument invalid: 1 Fără răspuns: 1 Sarcini agentice : 4.7 Trucuri anti-AI : 10.0 Programare : 6.2 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 5.5 Respectarea instrucțiunilor : 9.9 Rezolvare de puzzle-uri : 6.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#209#209	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 59.4% Teste instabile 7 Tokenuri de intrare 255,887 Tokenuri de ieșire 154,879 Tokenuri de raționament 603,518 Timp de răspuns (mediu) 70.48s Timp de răspuns (total) 1620.93s Timp de răspuns (maxim) 480.52s Răspuns greșit: 9 Fără răspuns: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 8.7 Programare : 5.8 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 5.3 Inteligență generală : 3.4 Respectarea instrucțiunilor : 8.3 Rezolvare de puzzle-uri : 5.5 Apelare instrumente : 10.0 Cultură generală : 3.0
#210#210	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 6 Tokenuri de intrare 260,850 Tokenuri de ieșire 125,908 Tokenuri de raționament 516,424 Timp de răspuns (mediu) 66.13s Timp de răspuns (total) 1520.96s Timp de răspuns (maxim) 417.36s Răspuns greșit: 8 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 6.9 Parsare și extragere de date : 7.3 Specific domeniului : 3.6 Inteligență generală : 4.0 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 5.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#211#211	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 42.0% Teste instabile 3 Tokenuri de intrare 276,199 Tokenuri de ieșire 17,473 Tokenuri de raționament 0 Timp de răspuns (mediu) 8.50s Timp de răspuns (total) 195.60s Timp de răspuns (maxim) 81.77s Răspuns greșit: 13 Formatare suplimentară: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 4.8 Programare : 5.5 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 5.0 Respectarea instrucțiunilor : 6.5 Rezolvare de puzzle-uri : 4.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#212#212	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$1.249 ↑	111.54s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 65.2% Teste instabile 7 Tokenuri de intrare 378,048 Tokenuri de ieșire 56,477 Tokenuri de raționament 865,151 Timp de răspuns (mediu) 111.54s Timp de răspuns (total) 2565.38s Timp de răspuns (maxim) 950.25s Fără răspuns: 3 Timp expirat: 3 Răspuns greșit: 3 Eroare API: 1 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 10.0 Programare : 5.9 Combinat : 3.8 Parsare și extragere de date : 7.3 Specific domeniului : 3.5 Inteligență generală : 2.8 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 8.2 Apelare instrumente : 10.0 Cultură generală : 3.0
#213#213	Qwen3.6 27Bnone	6.3	Qwen	$0.147 ↓	12.71s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 250,919 Tokenuri de ieșire 20,816 Tokenuri de raționament 0 Timp de răspuns (mediu) 12.71s Timp de răspuns (total) 292.29s Timp de răspuns (maxim) 156.31s Răspuns greșit: 11 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 2 Sarcini agentice : 10.0 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
#214#214	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
Vezi fișa modelului Total teste 23 Teste greșite 11 Fiabilitate 10.0 Rată de trecere pe încercare 66.7% Teste instabile 6 Tokenuri de intrare 275,779 Tokenuri de ieșire 14,401 Tokenuri de raționament 25,511 Timp de răspuns (mediu) 4.79s Timp de răspuns (total) 110.24s Timp de răspuns (maxim) 53.91s Răspuns greșit: 9 Nu a urmat instrucțiunile: 1 Fără răspuns: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 9.0 Programare : 4.3 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.6 Apelare instrumente : 10.0 Cultură generală : 4.7
#215#215	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
Vezi fișa modelului Total teste 23 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 0 Tokenuri de intrare 309,715 Tokenuri de ieșire 16,170 Tokenuri de raționament 422,721 Timp de răspuns (mediu) 19.04s Timp de răspuns (total) 437.98s Timp de răspuns (maxim) 309.35s Răspuns greșit: 7 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 8.3 Programare : 5.5 Combinat : 3.0 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#216#216	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
Vezi fișa modelului Total teste 23 Teste greșite 10 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 2 Tokenuri de intrare 312,368 Tokenuri de ieșire 9,429 Tokenuri de raționament 416,147 Timp de răspuns (mediu) 19.02s Timp de răspuns (total) 437.38s Timp de răspuns (maxim) 318.02s Răspuns greșit: 9 Apel de instrument invalid: 1 Sarcini agentice : 5.0 Trucuri anti-AI : 7.3 Programare : 5.5 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 10.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#217#217	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 6 Tokenuri de intrare 209,002 Tokenuri de ieșire 24,675 Tokenuri de raționament 377,528 Timp de răspuns (mediu) 128.91s Timp de răspuns (total) 2965.04s Timp de răspuns (maxim) 491.07s Răspuns greșit: 6 Nu a urmat instrucțiunile: 3 Eroare API: 1 Formatare suplimentară: 1 Fără răspuns: 1 Sarcini agentice : 2.8 Trucuri anti-AI : 8.7 Programare : 5.7 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 3.6 Inteligență generală : 5.5 Respectarea instrucțiunilor : 7.9 Rezolvare de puzzle-uri : 8.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#218#218	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 52.2% Teste instabile 3 Tokenuri de intrare 346,064 Tokenuri de ieșire 53,060 Tokenuri de raționament 0 Timp de răspuns (mediu) 20.07s Timp de răspuns (total) 341.27s Timp de răspuns (maxim) 183.50s Răspuns greșit: 11 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 4.8 Programare : 4.3 Combinat : 6.5 Parsare și extragere de date : 10.0 Specific domeniului : 7.7 Inteligență generală : 4.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#219#219	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
Vezi fișa modelului Total teste 22 Teste greșite 9 Fiabilitate 10.0 Rată de trecere pe încercare 60.9% Teste instabile 3 Tokenuri de intrare 108,573 Tokenuri de ieșire 69,994 Tokenuri de raționament 26,728 Timp de răspuns (mediu) 32.23s Timp de răspuns (total) 515.65s Timp de răspuns (maxim) 151.51s Formatare suplimentară: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1 Sarcini agentice : 0.0 Trucuri anti-AI : 6.4 Programare : 5.7 Combinat : 10.0 Parsare și extragere de date : 10.0 Specific domeniului : 3.0 Inteligență generală : 10.0 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 10.0 Cultură generală : 3.0
#220#220	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Vezi fișa modelului Total teste 23 Teste greșite 13 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 5 Tokenuri de intrare 267,840 Tokenuri de ieșire 192,115 Tokenuri de raționament 0 Timp de răspuns (mediu) 32.88s Timp de răspuns (total) 756.28s Timp de răspuns (maxim) 197.32s Răspuns greșit: 11 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 6.1 Trucuri anti-AI : 5.2 Programare : 5.4 Combinat : 3.8 Parsare și extragere de date : 10.0 Specific domeniului : 5.3 Inteligență generală : 4.4 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.9 Apelare instrumente : 10.0 Cultură generală : 3.0
#221#221	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 62.3% Teste instabile 7 Tokenuri de intrare 306,662 Tokenuri de ieșire 17,819 Tokenuri de raționament 125,341 Timp de răspuns (mediu) 70.08s Timp de răspuns (total) 1611.86s Timp de răspuns (maxim) 376.10s Răspuns greșit: 6 Eroare API: 2 Timp expirat: 2 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 6.0 Combinat : 7.3 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.4 Respectarea instrucțiunilor : 10.0 Rezolvare de puzzle-uri : 7.0 Apelare instrumente : 10.0 Cultură generală : 3.0
#222#222	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
Vezi fișa modelului Total teste 23 Teste greșite 15 Fiabilitate 10.0 Rată de trecere pe încercare 47.8% Teste instabile 6 Tokenuri de intrare 347,980 Tokenuri de ieșire 121,898 Tokenuri de raționament 720,302 Timp de răspuns (mediu) 95.16s Timp de răspuns (total) 2188.74s Timp de răspuns (maxim) 540.96s Răspuns greșit: 7 Nu a urmat instrucțiunile: 3 Eroare API: 2 Apel de instrument invalid: 2 Fără răspuns: 1 Sarcini agentice : 7.4 Trucuri anti-AI : 8.3 Programare : 5.3 Combinat : 5.2 Parsare și extragere de date : 7.3 Specific domeniului : 2.9 Inteligență generală : 10.0 Respectarea instrucțiunilor : 4.4 Rezolvare de puzzle-uri : 6.3 Apelare instrumente : 10.0 Cultură generală : 3.0
#223#223	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.027 ↓	38.64s
Vezi fișa modelului Total teste 23 Teste greșite 18 Fiabilitate 10.0 Rată de trecere pe încercare 30.4% Teste instabile 4 Tokenuri de intrare 403,455 Tokenuri de ieșire 115,591 Tokenuri de raționament 0 Timp de răspuns (mediu) 38.64s Timp de răspuns (total) 888.69s Timp de răspuns (maxim) 247.27s Răspuns greșit: 13 Formatare suplimentară: 2 Apel de instrument invalid: 2 Nu a urmat instrucțiunile: 1 Sarcini agentice : 10.0 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
#224#224	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
Vezi fișa modelului Total teste 23 Teste greșite 12 Fiabilitate 10.0 Rată de trecere pe încercare 58.0% Teste instabile 5 Tokenuri de intrare 392,127 Tokenuri de ieșire 7,754 Tokenuri de raționament 294,333 Timp de răspuns (mediu) 36.73s Timp de răspuns (total) 844.68s Timp de răspuns (maxim) 199.66s Răspuns greșit: 7 Formatare suplimentară: 2 Nu a urmat instrucțiunile: 2 Apel de instrument invalid: 1 Sarcini agentice : 3.0 Trucuri anti-AI : 8.2 Programare : 6.3 Combinat : 8.7 Parsare și extragere de date : 10.0 Specific domeniului : 2.9 Inteligență generală : 3.9 Respectarea instrucțiunilor : 9.8 Rezolvare de puzzle-uri : 7.7 Apelare instrumente : 3.0 Cultură generală : 3.0
#225#225	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
Vezi fișa modelului Total teste 23 Teste greșite 14 Fiabilitate 10.0 Rată de trecere pe încercare 55.1% Teste instabile 8 Tokenuri de intrare 363,310 Tokenuri de ieșire 381,919 Tokenuri de raționament 0 Timp de răspuns (mediu) 60.03s Timp de răspuns (total) 1380.67s Timp de răspuns (maxim) 459.99s Răspuns greșit: 9 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Apel de instrument invalid: 1 Sarcini agentice : 5.2 Trucuri anti-AI : 6.4 Programare : 6.6 Combinat : 3.2 Parsare și extragere de date : 10.0 Specific domeniului : 5.9 Inteligență generală : 5.0 Respectarea instrucțiunilor : 5.6 Rezolvare de puzzle-uri : 7.9 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