Navigare
AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY Compare

Modele comparate

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-03-12

Metrică Claude Opus 4.6 Claude Opus 4.6 medium Lansare: 2026-02-05 Claude Sonnet 4.6 Claude Sonnet 4.6 medium Lansare: 2026-02-17 GPT-5.3-Codex GPT-5.3-Codex medium Lansare: 2026-02-05 Gemini 3.1 Pro Preview Gemini 3.1 Pro Preview medium Lansare: 2026-02-19
Rang #28 #12 #4 #2
Scor mediu 6.6 7.7 8.4 9.4
Consistență 9.0 9.5 9.1 10.0
Cost per rezultat 13.118 8.525 4.485 3.417
Cost total $1.312 $1.023 $0.539 $0.513
Teste corecte
Rată de trecere pe încercare 66.7% 77.1% 83.3% 93.8%
Teste instabile 2 1 2 0
Rulări totale 48 48 48 48
Tokenuri de ieșire 26,254 35,159 1,764 1,521
Tokenuri de raționament 17,363 24,687 33,348 35,656
Timp de răspuns (mediu) 22.86s 11.23s 16.59s 16.60s
Timp de răspuns (maxim) 83.40s 46.35s 100.93s 40.61s
Timp de răspuns (total) 205.71s 89.84s 265.39s 149.36s

Top modele după scor

Scor vs cost total

Timp de răspuns (mediu)

Scor mediu vs Timp de răspuns (mediu)

Total tokenuri de ieșire

Scor mediu vs Total tokenuri de ieșire

Defalcare pe categorii

Trucuri anti-AI Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 4.0 4.4 55.6% 2 11.88s 897 1,000
Claude Sonnet 4.6 7.0 10.0 66.7% 0 4.95s 1,031 1,093
GPT-5.3-Codex 10.0 10.0 100.0% 0 4.69s 216 1,421
Gemini 3.1 Pro Preview 10.0 10.0 100.0% 0 9.52s 106 2,533
Combinat Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 10.0 10.0 100.0% 0 76.66s 8,178 5,194
Claude Sonnet 4.6 10.0 10.0 100.0% 0 46.35s 5,871 3,962
GPT-5.3-Codex 10.0 10.0 100.0% 0 19.56s 364 2,731
Gemini 3.1 Pro Preview 9.0 10.0 100.0% 0 40.61s 432 9,281
Parsare și extragere de date Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 9.9 10.0 100.0% 0 7.37s 691 757
Claude Sonnet 4.6 9.9 10.0 100.0% 0 13.90s 649 742
GPT-5.3-Codex 9.9 10.0 100.0% 0 3.07s 234 728
Gemini 3.1 Pro Preview 9.9 10.0 100.0% 0 7.72s 279 3,904
Specific domeniului Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 10.0 10.0 0.0% 0 83.40s 14,642 8,687
Claude Sonnet 4.6 10.0 7.2 11.1% 1 0ms 25,790 16,919
GPT-5.3-Codex 4.0 7.2 55.6% 1 64.31s 64 25,308
Gemini 3.1 Pro Preview 7.0 10.0 66.7% 0 32.73s 18 12,424
Inteligență generală Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 10.0 10.0 100.0% 0 5.04s 188 292
Claude Sonnet 4.6 10.0 10.0 100.0% 0 4.94s 256 433
GPT-5.3-Codex 4.0 10.0 0.0% 0 4.87s 187 331
Gemini 3.1 Pro Preview 10.0 10.0 100.0% 0 11.77s 108 1,179
Respectarea instrucțiunilor Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 10.0 10.0 100.0% 0 2.43s 266 467
Claude Sonnet 4.6 10.0 10.0 100.0% 0 2.61s 318 552
GPT-5.3-Codex 10.0 10.0 100.0% 0 3.04s 93 693
Gemini 3.1 Pro Preview 10.0 10.0 100.0% 0 9.56s 72 2,236
Puzzle Solving Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 7.0 10.0 66.7% 0 4.60s 531 637
Claude Sonnet 4.6 10.0 10.0 100.0% 0 4.80s 589 635
GPT-5.3-Codex 9.3 7.9 88.9% 1 5.12s 352 1,644
Gemini 3.1 Pro Preview 10.0 10.0 100.0% 0 7.15s 232 3,117
Apelare instrumente Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Claude Opus 4.6 10.0 10.0 100.0% 0 9.73s 861 329
Claude Sonnet 4.6 10.0 10.0 100.0% 0 7.48s 655 351
GPT-5.3-Codex 10.0 10.0 100.0% 0 6.37s 254 492
Gemini 3.1 Pro Preview 10.0 10.0 100.0% 0 23.15s 274 982

Comparație rapidă

Schimbă perechea de comparație

Gemini 3 Flash PreviewlowvsGPT-5.3-CodexmediumClaude Sonnet 4.6mediumvsGPT-5.2 ChatnoneClaude Opus 4.6mediumvsQwen3.5 Plus 2026-02-15noneClaude Sonnet 4.6mediumvsGemini 3.1 Flash Lite PreviewlowClaude Sonnet 4.6mediumvsGPT-5.3 ChatnoneClaude Sonnet 4.6mediumvsGemini 3 Flash PreviewlowClaude Opus 4.6mediumvsGemini 3.1 Flash Lite PreviewnoneClaude Sonnet 4.6mediumvsGemini 3 Flash PreviewnoneClaude Opus 4.6mediumvsGLM 5noneClaude Opus 4.6mediumvsGemini 3 Flash PreviewnoneClaude Sonnet 4.6mediumvsGemini 3.1 Flash Lite PreviewnoneClaude Opus 4.6mediumvsGPT-5.3 Chatnone