Таблица лидеров AI Benchy

Name: Результаты бенчмарка моделей AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Бенчмарки сгенерированы из тестовых наборов AI BENCHY в: 2026-09-02 Оценено моделей: 305

Рекомендуемые модели

GPT-5.6 Sol high Интеллектуальная Доля успешных попыток 89.4% Тестов верно 18 / 22 Оценка 9.4/10 GPT-5.6 Luna medium Быстрая Время ответа (среднее) 7.43s Общее число выходных токенов 44,525 Оценка 7.4/10 DeepSeek V4 Flash 0731 high Доступная Цена входа $0.065 / 1M Цена выхода $0.180 / 1M Оценка 8.0/10

305/305

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#188#188	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 14 Надежность 10.0 Доля успешных попыток 47.0% Нестабильные тесты 5 Входные токены 122,854 Выходные токены 119,810 Токены рассуждений 698,549 Время ответа (среднее) 96.61s Время ответа (суммарно) 2125.51s Время ответа (макс.) 540.96s Неверный ответ: 7 Ошибка API: 2 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Нет ответа: 1 Анти-ИИ уловки : 8.3 Программирование : 5.3 Комбинированный : 5.2 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 4.4 Решение головоломок : 6.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#49#49	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 1 Входные токены 132,507 Выходные токены 12,739 Токены рассуждений 228,626 Время ответа (среднее) 21.14s Время ответа (суммарно) 465.10s Время ответа (макс.) 140.50s Неверный ответ: 6 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.4 Программирование : 7.8 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 4.8 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#2🥈 #2	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 2 Надежность 10.0 Доля успешных попыток 95.5% Нестабильные тесты 2 Входные токены 86,712 Выходные токены 6,017 Токены рассуждений 148,829 Время ответа (среднее) 12.22s Время ответа (суммарно) 268.78s Время ответа (макс.) 91.63s Неверный ответ: 2 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.8 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#153#153	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 0 Входные токены 110,196 Выходные токены 14,717 Токены рассуждений 397,462 Время ответа (среднее) 16.67s Время ответа (суммарно) 366.69s Время ответа (макс.) 309.35s Неверный ответ: 6 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.3 Программирование : 5.5 Комбинированный : 3.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 4.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#40#40	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 77.3% Нестабильные тесты 3 Входные токены 101,811 Выходные токены 8,025 Токены рассуждений 115,938 Время ответа (среднее) 9.77s Время ответа (суммарно) 214.83s Время ответа (макс.) 47.80s Неверный ответ: 4 Не соблюдены инструкции: 3 Анти-ИИ уловки : 9.2 Программирование : 8.4 Комбинированный : 9.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.0 Следование инструкциям : 9.8 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#102#102	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 57.6% Нестабильные тесты 1 Входные токены 123,273 Выходные токены 19,362 Токены рассуждений 0 Время ответа (среднее) 7.67s Время ответа (суммарно) 122.78s Время ответа (макс.) 51.18s Неверный ответ: 5 Лишнее форматирование: 4 Не соблюдены инструкции: 1 Анти-ИИ уловки : 4.8 Программирование : 5.5 Комбинированный : 9.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 6.1 Следование инструкциям : 6.5 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#19#19	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 1 Входные токены 69,756 Выходные токены 2,166 Токены рассуждений 60,007 Время ответа (среднее) 8.48s Время ответа (суммарно) 186.57s Время ответа (макс.) 76.68s Неверный ответ: 3 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 7.9 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 10.0
#156#156	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 57.6% Нестабильные тесты 2 Входные токены 85,148 Выходные токены 61,736 Токены рассуждений 681,556 Время ответа (среднее) 58.49s Время ответа (суммарно) 1169.83s Время ответа (макс.) 817.57s Неверный ответ: 5 Ошибка API: 2 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 7.7 Комбинированный : 3.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 4.4 Следование инструкциям : 10.0 Решение головоломок : 8.0 Вызов инструментов : 3.0 Эрудиция : 3.0
#47#47	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 4 Входные токены 141,878 Выходные токены 11,033 Токены рассуждений 105,456 Время ответа (среднее) 11.89s Время ответа (суммарно) 261.69s Время ответа (макс.) 54.15s Неверный ответ: 5 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 7.9 Программирование : 10.0 Комбинированный : 6.6 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 7.3 Решение головоломок : 8.3 Вызов инструментов : 9.8 Эрудиция : 3.0
#198#198	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 53.0% Нестабильные тесты 3 Входные токены 37,007 Выходные токены 1,952 Токены рассуждений 357,306 Время ответа (среднее) 41.16s Время ответа (суммарно) 823.26s Время ответа (макс.) 299.23s Неверный ответ: 5 Не соблюдены инструкции: 2 Нет ответа: 2 Ошибка API: 1 Лишнее форматирование: 1 Анти-ИИ уловки : 10.0 Программирование : 3.3 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 5.4 Следование инструкциям : 8.3 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#96#96	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.687 ↓	80.09s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 5 Входные токены 72,085 Выходные токены 57,453 Токены рассуждений 182,093 Время ответа (среднее) 80.09s Время ответа (суммарно) 1681.85s Время ответа (макс.) 365.80s Неверный ответ: 6 Тайм-аут: 3 Ошибка API: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 7.3 Программирование : 7.8 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.7 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 5.9 Вызов инструментов : 3.0 Эрудиция : 3.0
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 1 Надежность 10.0 Доля успешных попыток 98.5% Нестабильные тесты 1 Входные токены 71,470 Выходные токены 3,276 Токены рассуждений 168,709 Время ответа (среднее) 16.81s Время ответа (суммарно) 369.88s Время ответа (макс.) 104.15s Неверный ответ: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 8.2 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#83#83	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.701 ↕	33.62s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 9.8 Доля успешных попыток 66.7% Нестабильные тесты 3 Входные токены 233,415 Выходные токены 54,384 Токены рассуждений 130,021 Время ответа (среднее) 33.62s Время ответа (суммарно) 739.59s Время ответа (макс.) 392.56s Неверный ответ: 7 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.4 Комбинированный : 6.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 3.7 Следование инструкциям : 9.8 Решение головоломок : 5.5 Вызов инструментов : 10.0 Эрудиция : 3.0
#37#37	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 80.3% Нестабильные тесты 3 Входные токены 99,181 Выходные токены 6,132 Токены рассуждений 77,689 Время ответа (среднее) 21.83s Время ответа (суммарно) 480.37s Время ответа (макс.) 155.75s Неверный ответ: 5 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 8.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.5 Следование инструкциям : 10.0 Решение головоломок : 9.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#123#123	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 8.1 Доля успешных попыток 65.2% Нестабильные тесты 4 Входные токены 82,592 Выходные токены 16,089 Токены рассуждений 199,800 Время ответа (среднее) 58.80s Время ответа (суммарно) 1234.72s Время ответа (макс.) 308.75s Неверный ответ: 4 Нет ответа: 2 Тайм-аут: 2 Ошибка API: 1 Лишнее форматирование: 1 Анти-ИИ уловки : 10.0 Программирование : 4.6 Комбинированный : 9.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 10.0 Следование инструкциям : 6.4 Решение головоломок : 8.2 Вызов инструментов : 3.0 Эрудиция : 3.0
#120#120	Grok 4.3medium	7.0	X AI	$0.741	44.21s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 5 Входные токены 140,244 Выходные токены 13,739 Токены рассуждений 212,165 Время ответа (среднее) 44.21s Время ответа (суммарно) 972.64s Время ответа (макс.) 216.69s Неверный ответ: 6 Не соблюдены инструкции: 2 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 5.9 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 5.4 Следование инструкциям : 9.8 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#134#134	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 5 Входные токены 129,050 Выходные токены 20,026 Токены рассуждений 616,923 Время ответа (среднее) 44.97s Время ответа (суммарно) 989.32s Время ответа (макс.) 578.13s Неверный ответ: 8 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 5.0 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 4.8 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#190#190	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
Открыть карточку модели Всего тестов 18 Ошибочных тестов 4 Надежность Н/Д Доля успешных попыток 66.7% Нестабильные тесты 1 Входные токены 35,955 Выходные токены 1,647 Токены рассуждений 91,565 Время ответа (среднее) 9.75s Время ответа (суммарно) 175.48s Время ответа (макс.) 31.36s Неверный ответ: 3 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.7 Программирование : 3.3 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 3.0 Эрудиция : 0.0
#183#183	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 14 Надежность 10.0 Доля успешных попыток 48.5% Нестабильные тесты 6 Входные токены 118,486 Выходные токены 156,166 Токены рассуждений 860,619 Время ответа (среднее) 85.44s Время ответа (суммарно) 1879.75s Время ответа (макс.) 525.14s Неверный ответ: 8 Не соблюдены инструкции: 4 Недопустимый вызов инструмента: 2 Анти-ИИ уловки : 6.8 Программирование : 7.5 Комбинированный : 2.9 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 4.4 Решение головоломок : 5.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#5#5	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 2 Надежность 10.0 Доля успешных попыток 93.9% Нестабильные тесты 1 Входные токены 87,870 Выходные токены 5,486 Токены рассуждений 234,122 Время ответа (среднее) 19.86s Время ответа (суммарно) 436.88s Время ответа (макс.) 117.26s Неверный ответ: 2 Анти-ИИ уловки : 10.0 Программирование : 8.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#76#76	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 8.5 Доля успешных попыток 77.3% Нестабильные тесты 6 Входные токены 85,657 Выходные токены 8,142 Токены рассуждений 233,167 Время ответа (среднее) 72.24s Время ответа (суммарно) 1589.31s Время ответа (макс.) 485.92s Неверный ответ: 6 Ошибка API: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.7 Программирование : 7.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 6.5 Следование инструкциям : 9.8 Решение головоломок : 9.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#21#21	Qwen3.8 Maxmedium	9.0	Qwen	$0.771	23.34s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 80.3% Нестабильные тесты 1 Входные токены 109,055 Выходные токены 6,566 Токены рассуждений 85,481 Время ответа (среднее) 23.34s Время ответа (суммарно) 513.47s Время ответа (макс.) 126.60s Неверный ответ: 4 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#92#92	GPT-5.4 Minimedium	7.5	OpenAI	$0.786	26.72s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 5 Входные токены 97,164 Выходные токены 6,211 Токены рассуждений 152,133 Время ответа (среднее) 26.72s Время ответа (суммарно) 587.90s Время ответа (макс.) 138.75s Неверный ответ: 6 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.6 Программирование : 8.4 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 4.5 Следование инструкциям : 9.8 Решение головоломок : 7.8 Вызов инструментов : 4.7 Эрудиция : 3.0
#126#126	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 5 Входные токены 102,986 Выходные токены 5,860 Токены рассуждений 264,399 Время ответа (среднее) 32.56s Время ответа (суммарно) 716.36s Время ответа (макс.) 199.66s Неверный ответ: 6 Лишнее форматирование: 2 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.2 Программирование : 6.3 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 3.9 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 3.0 Эрудиция : 3.0
#60#60	GPT-5.6 Terrahigh	8.0	OpenAI	$0.836 ↓	11.22s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 2 Входные токены 81,056 Выходные токены 5,055 Токены рассуждений 51,033 Время ответа (среднее) 11.22s Время ответа (суммарно) 246.77s Время ответа (макс.) 91.49s Неверный ответ: 7 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.3 Программирование : 7.6 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.1 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0

←

1 9 10 11 13

→

Глобальные тренды бенчмарка

Посмотрите, как современные модели балансируют оценку, стоимость, скорость, длину ответа и результаты по категориям.

Графики →

Граница Парето: интеллект и стоимость

Рост лучших оценок ведущих компаний со временем

Граница Парето: интеллект и скорость ответа

Граница Парето: оценка и выходные токены

Сложность категорий по всем моделям

Быстрое сравнение

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