Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)17.20sTimp de răspuns (maxim)40.61sTimp de răspuns (total)137.59sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 8Nu a urmat instrucțiunile: 1Timp de răspuns (medie)1.46sTimp de răspuns (maxim)2.89sTimp de răspuns (total)21.86sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Consistență
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
8.9Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
Cost per rezultat
3.544Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
1.496Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
Cost total
$0.497Cost total…
$0.090Cost total…
Rată de trecere pe încercare
93.3%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
44.4%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
Teste instabile
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
2Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
common.totalAttempts
45 (15 x 3)common.totalAttempts…
45 (15 x 3)common.totalAttempts…
Tokenuri de ieșire
1,413Tokenuri de ieșire…
1,635Tokenuri de ieșire…
Tokenuri de raționament
34,477Tokenuri de raționament…
0Tokenuri de raționament…
Timp de răspuns (medie)
17.20sTimp de răspuns (medie)…
1.46sTimp de răspuns (medie)…
Timp de răspuns (maxim)
40.61sTimp de răspuns (maxim)…
2.89sTimp de răspuns (maxim)…
Timp de răspuns (total)
137.59sTimp de răspuns (total)…
21.86sTimp de răspuns (total)…
Top modele după scor
Timp de răspuns (medie)
Scor vs cost total
Scor mediu vs Timp de răspuns (medie)
Defalcare pe categorii
Trucuri anti-AI
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)9.52sTimp de răspuns (maxim)9.52sTimp de răspuns (total)9.52sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
9.52sTimp de răspuns (medie)…
106Tokenuri de ieșire…
2,533Tokenuri de raționament…
OpenAI: GPT-5.4
10.0Scor mediu pe toate testele de benchmark.…
7.3Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
11.1%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 3Timp de răspuns (medie)1.41sTimp de răspuns (maxim)2.58sTimp de răspuns (total)4.23sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.41sTimp de răspuns (medie)…
388Tokenuri de ieșire…
0Tokenuri de raționament…
Combinat
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
9.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)40.61sTimp de răspuns (maxim)40.61sTimp de răspuns (total)40.61sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
40.61sTimp de răspuns (medie)…
432Tokenuri de ieșire…
9,281Tokenuri de raționament…
OpenAI: GPT-5.4
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)2.89sTimp de răspuns (maxim)2.89sTimp de răspuns (total)2.89sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
2.89sTimp de răspuns (medie)…
291Tokenuri de ieșire…
0Tokenuri de raționament…
Parsare și extragere de date
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
9.9Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)7.72sTimp de răspuns (maxim)7.72sTimp de răspuns (total)7.72sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.72sTimp de răspuns (medie)…
279Tokenuri de ieșire…
3,904Tokenuri de raționament…
OpenAI: GPT-5.4
9.9Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)1.04sTimp de răspuns (maxim)1.06sTimp de răspuns (total)2.08sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.04sTimp de răspuns (medie)…
222Tokenuri de ieșire…
0Tokenuri de raționament…
Specific domeniului
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
7.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
66.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)32.73sTimp de răspuns (maxim)32.73sTimp de răspuns (total)32.73sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
32.73sTimp de răspuns (medie)…
18Tokenuri de ieșire…
12,424Tokenuri de raționament…
OpenAI: GPT-5.4
4.0Scor mediu pe toate testele de benchmark.…
7.2Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
44.4%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 2Timp de răspuns (medie)1.07sTimp de răspuns (maxim)1.54sTimp de răspuns (total)3.22sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.07sTimp de răspuns (medie)…
50Tokenuri de ieșire…
0Tokenuri de raționament…
Respectarea instrucțiunilor
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)9.56sTimp de răspuns (maxim)9.56sTimp de răspuns (total)9.56sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
9.56sTimp de răspuns (medie)…
72Tokenuri de ieșire…
2,236Tokenuri de raționament…
OpenAI: GPT-5.4
5.5Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
50.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)1.07sTimp de răspuns (maxim)1.17sTimp de răspuns (total)2.15sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.07sTimp de răspuns (medie)…
81Tokenuri de ieșire…
0Tokenuri de raționament…
Puzzle Solving
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)7.15sTimp de răspuns (maxim)8.49sTimp de răspuns (total)14.30sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.15sTimp de răspuns (medie)…
232Tokenuri de ieșire…
3,117Tokenuri de raționament…
OpenAI: GPT-5.4
4.0Scor mediu pe toate testele de benchmark.…
9.8Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
33.3%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 1Răspuns greșit: 1Timp de răspuns (medie)1.52sTimp de răspuns (maxim)1.82sTimp de răspuns (total)4.56sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.52sTimp de răspuns (medie)…
357Tokenuri de ieșire…
0Tokenuri de raționament…
Apelare instrumente
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Google: Gemini 3.1 Pro Preview
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)23.15sTimp de răspuns (maxim)23.15sTimp de răspuns (total)23.15sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
23.15sTimp de răspuns (medie)…
274Tokenuri de ieșire…
982Tokenuri de raționament…
OpenAI: GPT-5.4
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)2.75sTimp de răspuns (maxim)2.75sTimp de răspuns (total)2.75sUn test este considerat trecut complet doar dacă toate rulările lui trec.…