Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-05-22
Metrică
Hy3 previewHy3 previewhighModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2026-04-22
Grok 4.1 FastGrok 4.1 FastmediumModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2025-11-19
Metrică
Hy3 previewHy3 previewhighModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2026-04-22
Grok 4.1 FastGrok 4.1 FastmediumModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2025-11-19
Scor
8.0Scor mediu pe toate testele de benchmark.…
6.5Scor mediu pe toate testele de benchmark.…
Rang
#22
#87
Fiabilitate
10.0Scorul de succes la prima încercare: 10.0 înseamnă fără erori reîncercabile ale API-ului țintă sau de limită de rată înainte de apeluri reușite; erorile urmărite reduc scorul.…
10.0Scorul de succes la prima încercare: 10.0 înseamnă fără erori reîncercabile ale API-ului țintă sau de limită de rată înainte de apeluri reușite; erorile urmărite reduc scorul.…
Consistență
9.5Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
7.3Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
Teste corecte
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 3Eroare API: 1Timp de răspuns (mediu)56.77sTimp de răspuns (maxim)149.94sTimp de răspuns (total)851.49sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 4Răspuns greșit: 4Fără răspuns: 1Timp expirat: 1Timp de răspuns (mediu)24.01sTimp de răspuns (maxim)121.79sTimp de răspuns (total)288.18sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Rată de trecere pe încercare
77.1%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
61.4%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
Teste instabile
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
6Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Rulări totale
60Rulări totale…
57Rulări totale…
Cost per rezultat
0.000Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
0.644Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
Cost total
$0.000Cost total…
$0.058Cost total…
Preț de intrare
$0.066 / 1MPreț de intrare…
$0.000 / 1MPreț de intrare…
Preț de ieșire
$0.260 / 1MPreț de ieșire…
$0.000 / 1MPreț de ieșire…
Tokenuri de ieșire
216,503Tokenuri de ieșire…
2,025Tokenuri de ieșire…
Tokenuri de raționament
0Tokenuri de raționament…
96,679Tokenuri de raționament…
Timp de răspuns (mediu)
56.77sTimp de răspuns (mediu)…
24.01sTimp de răspuns (mediu)…
Timp de răspuns (maxim)
149.94sTimp de răspuns (maxim)…
121.79sTimp de răspuns (maxim)…
Timp de răspuns (total)
851.49sTimp de răspuns (total)…
288.18sTimp de răspuns (total)…
Top modele după scor
Scor vs cost total
Timp de răspuns (mediu)
Scor vs Timp de răspuns (mediu)
Total tokenuri de ieșire
Scor 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
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
8.9Scor 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 (mediu)15.12sTimp de răspuns (maxim)19.99sTimp de răspuns (total)45.37sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
15.12sTimp de răspuns (mediu)…
6,839Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
8.7Scor mediu pe toate testele de benchmark.…
7.9Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
91.7%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: 1Timp de răspuns (mediu)3.81sTimp de răspuns (maxim)5.65sTimp de răspuns (total)7.62sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.81sTimp de răspuns (mediu)…
108Tokenuri de ieșire…
4,741Tokenuri de raționament…
Programare
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)99.76sTimp de răspuns (maxim)99.76sTimp de răspuns (total)99.76sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
99.76sTimp de răspuns (mediu)…
38,167Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
2.3Scor mediu pe toate testele de benchmark.…
1.1Scorul 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.…
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.Nu a urmat instrucțiunile: 1Timp de răspuns (mediu)23.58sTimp de răspuns (maxim)23.58sTimp de răspuns (total)23.58sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
23.58sTimp de răspuns (mediu)…
821Tokenuri de ieșire…
6,703Tokenuri de raționament…
Combinat
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)113.09sTimp de răspuns (maxim)113.09sTimp de răspuns (total)113.09sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
113.09sTimp de răspuns (mediu)…
31,319Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)37.64sTimp de răspuns (maxim)37.64sTimp de răspuns (total)37.64sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
37.64sTimp de răspuns (mediu)…
261Tokenuri de ieșire…
12,272Tokenuri de raționament…
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
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
6.5Scor 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.Eroare API: 1Timp de răspuns (mediu)12.11sTimp de răspuns (maxim)12.11sTimp de răspuns (total)12.11sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
12.11sTimp de răspuns (mediu)…
4,323Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)6.63sTimp de răspuns (maxim)6.63sTimp de răspuns (total)6.63sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
6.63sTimp de răspuns (mediu)…
180Tokenuri de ieșire…
5,409Tokenuri de raționament…
Specific domeniului
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
5.3Scor 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 (mediu)109.04sTimp de răspuns (maxim)149.94sTimp de răspuns (total)327.11sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
109.04sTimp de răspuns (mediu)…
87,559Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
5.8Scor mediu pe toate testele de benchmark.…
4.4Scorul 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.…
2Testele 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.Timp expirat: 1Răspuns greșit: 1Timp de răspuns (mediu)121.79sTimp de răspuns (maxim)121.79sTimp de răspuns (total)121.79sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
121.79sTimp de răspuns (mediu)…
11Tokenuri de ieșire…
37,657Tokenuri de raționament…
Inteligență generală
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
0.0Scor mediu pe toate testele de benchmark.…
0.0Scorul 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.Niciun răspuns eșuat.Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
0msTimp de răspuns (mediu)…
0Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
4.2Scor mediu pe toate testele de benchmark.…
9.9Scorul 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.Nu a urmat instrucțiunile: 1Timp de răspuns (mediu)16.25sTimp de răspuns (maxim)16.25sTimp de răspuns (total)16.25sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
16.25sTimp de răspuns (mediu)…
127Tokenuri de ieșire…
3,456Tokenuri de raționament…
Respectarea instrucțiunilor
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)34.02sTimp de răspuns (maxim)41.83sTimp de răspuns (total)68.04sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
34.02sTimp de răspuns (mediu)…
13,331Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
6.5Scor 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.Nu a urmat instrucțiunile: 1Timp de răspuns (mediu)5.30sTimp de răspuns (maxim)5.30sTimp de răspuns (total)5.30sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.30sTimp de răspuns (mediu)…
55Tokenuri de ieșire…
3,489Tokenuri de raționament…
Rezolvare de puzzle-uri
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)29.74sTimp de răspuns (maxim)45.06sTimp de răspuns (total)59.48sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
29.74sTimp de răspuns (mediu)…
15,503Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
5.3Scor 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.Nu a urmat instrucțiunile: 1Răspuns greșit: 1Timp de răspuns (mediu)8.08sTimp de răspuns (maxim)8.38sTimp de răspuns (total)16.17sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
8.08sTimp de răspuns (mediu)…
187Tokenuri de ieșire…
6,086Tokenuri de raționament…
Apelare instrumente
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
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 (mediu)78.83sTimp de răspuns (maxim)78.83sTimp de răspuns (total)78.83sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
78.83sTimp de răspuns (mediu)…
10,370Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
2.8Scor mediu pe toate testele de benchmark.…
1.6Scorul 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.…
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.Fără răspuns: 1Timp de răspuns (mediu)27.71sTimp de răspuns (maxim)27.71sTimp de răspuns (total)27.71sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
27.71sTimp de răspuns (mediu)…
260Tokenuri de ieșire…
11,485Tokenuri de raționament…
Cultură generală
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (mediu)
Tokenuri de ieșire
Tokenuri de raționament
Hy3 previewModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor 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 (mediu)47.71sTimp de răspuns (maxim)47.71sTimp de răspuns (total)47.71sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
47.71sTimp de răspuns (mediu)…
9,092Tokenuri de ieșire…
0Tokenuri de raționament…
Grok 4.1 FastModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor 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 (mediu)25.52sTimp de răspuns (maxim)25.52sTimp de răspuns (total)25.52sUn test este considerat trecut complet doar dacă toate rulările lui trec.…