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)
#50#50	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 75.8% Нестабильные тесты 3 Входные токены 145,953 Выходные токены 52,330 Токены рассуждений 10,874 Время ответа (среднее) 12.54s Время ответа (суммарно) 275.90s Время ответа (макс.) 66.71s Неверный ответ: 5 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 9.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.8 Следование инструкциям : 9.9 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#42#42	Grok 4.5low	8.4	X AI	$0.945	16.17s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 77.3% Нестабильные тесты 2 Входные токены 125,605 Выходные токены 7,505 Токены рассуждений 107,984 Время ответа (среднее) 16.17s Время ответа (суммарно) 355.67s Время ответа (макс.) 205.28s Неверный ответ: 6 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#90#90	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 75.8% Нестабильные тесты 6 Входные токены 111,644 Выходные токены 16,113 Токены рассуждений 598,796 Время ответа (среднее) 113.28s Время ответа (суммарно) 2492.26s Время ответа (макс.) 1026.43s Неверный ответ: 4 Не соблюдены инструкции: 2 Лишнее форматирование: 1 Недопустимый вызов инструмента: 1 Тайм-аут: 1 Анти-ИИ уловки : 8.7 Программирование : 6.2 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#23#23	GPT-5.3-Codexmedium	8.9	OpenAI	$0.988	16.91s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 4 Входные токены 81,187 Выходные токены 6,258 Токены рассуждений 54,116 Время ответа (среднее) 16.91s Время ответа (суммарно) 372.03s Время ответа (макс.) 100.93s Неверный ответ: 4 Не соблюдены инструкции: 2 Анти-ИИ уловки : 8.7 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 4.6 Следование инструкциям : 10.0 Решение головоломок : 9.0 Вызов инструментов : 10.0 Эрудиция : 2.8
#159#159	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 7 Входные токены 106,176 Выходные токены 33,013 Токены рассуждений 239,560 Время ответа (среднее) 106.06s Время ответа (суммарно) 2333.36s Время ответа (макс.) 1085.11s Неверный ответ: 5 Нет ответа: 3 Недопустимый вызов инструмента: 2 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.3 Программирование : 7.7 Комбинированный : 6.7 Парсинг и извлечение данных : 3.5 Предметно-ориентированное : 2.9 Общий интеллект : 6.5 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#54#54	Inklinghigh	8.0	Thinkingmachines	$1.046	62.57s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 77.3% Нестабильные тесты 3 Входные токены 86,755 Выходные токены 6,057 Токены рассуждений 230,570 Время ответа (среднее) 62.57s Время ответа (суммарно) 1376.46s Время ответа (макс.) 327.51s Неверный ответ: 4 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 8.5 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 6.9 Вызов инструментов : 3.0 Эрудиция : 3.0
#133#133	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 3 Входные токены 13,852 Выходные токены 119,100 Токены рассуждений 0 Время ответа (среднее) 10.18s Время ответа (суммарно) 183.29s Время ответа (макс.) 64.36s Ошибка API: 4 Неверный ответ: 4 Анти-ИИ уловки : 10.0 Программирование : 8.8 Комбинированный : 3.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 3.0 Эрудиция : 2.8
#28#28	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 1 Входные токены 134,770 Выходные токены 13,604 Токены рассуждений 4,388 Время ответа (среднее) 6.99s Время ответа (суммарно) 153.80s Время ответа (макс.) 30.67s Неверный ответ: 4 Анти-ИИ уловки : 10.0 Программирование : 7.8 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#93#93	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 1 Входные токены 106,946 Выходные токены 7,993 Токены рассуждений 503,413 Время ответа (среднее) 54.50s Время ответа (суммарно) 1199.07s Время ответа (макс.) 252.69s Неверный ответ: 6 Лишнее форматирование: 3 Анти-ИИ уловки : 8.3 Программирование : 5.7 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 4.4 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#36#36	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 2 Входные токены 79,249 Выходные токены 5,097 Токены рассуждений 165,276 Время ответа (среднее) 66.52s Время ответа (суммарно) 1463.50s Время ответа (макс.) 238.07s Неверный ответ: 4 Тайм-аут: 1 Анти-ИИ уловки : 10.0 Программирование : 8.8 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#177#177	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.140 ↑	110.84s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 6 Входные токены 130,450 Выходные токены 54,857 Токены рассуждений 838,606 Время ответа (среднее) 110.84s Время ответа (суммарно) 2438.58s Время ответа (макс.) 950.25s Тайм-аут: 4 Нет ответа: 3 Неверный ответ: 2 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 5.9 Комбинированный : 3.8 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 3.5 Общий интеллект : 2.8 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#136#136	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 12 Надежность 7.3 Доля успешных попыток 63.6% Нестабильные тесты 7 Входные токены 76,036 Выходные токены 7,267 Токены рассуждений 364,176 Время ответа (среднее) 101.05s Время ответа (суммарно) 2223.19s Время ответа (макс.) 626.58s Ошибка API: 6 Неверный ответ: 4 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 6.9 Программирование : 8.9 Комбинированный : 4.7 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 5.3 Общий интеллект : 4.8 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 4.7 Эрудиция : 3.0
#17#17	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 86.4% Нестабильные тесты 3 Входные токены 106,029 Выходные токены 5,748 Токены рассуждений 220,354 Время ответа (среднее) 44.32s Время ответа (суммарно) 975.11s Время ответа (макс.) 556.06s 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 : 4.1 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#109#109	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 2 Входные токены 149,203 Выходные токены 16,797 Токены рассуждений 0 Время ответа (среднее) 4.92s Время ответа (суммарно) 108.24s Время ответа (макс.) 35.03s Неверный ответ: 4 Лишнее форматирование: 3 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 6.5 Программирование : 5.5 Комбинированный : 9.8 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#43#43	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 72.7% Нестабильные тесты 4 Входные токены 105,013 Выходные токены 9,914 Токены рассуждений 61,338 Время ответа (среднее) 28.51s Время ответа (суммарно) 456.13s Время ответа (макс.) 116.86s Не соблюдены инструкции: 3 Неверный ответ: 3 Нет ответа: 1 Тайм-аут: 1 Анти-ИИ уловки : 6.5 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 3.7 Следование инструкциям : 9.9 Решение головоломок : 7.5 Вызов инструментов : 4.7 Эрудиция : 3.0
#58#58	GLM 5.2high	8.0	Z.ai	$1.188 ↑	69.86s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 3 Входные токены 83,822 Выходные токены 72,040 Токены рассуждений 292,615 Время ответа (среднее) 69.86s Время ответа (суммарно) 1536.98s Время ответа (макс.) 599.43s Тайм-аут: 3 Нет ответа: 2 Неверный ответ: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 6.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.1 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 6.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#116#116	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 4 Входные токены 124,780 Выходные токены 47,694 Токены рассуждений 439,825 Время ответа (среднее) 65.67s Время ответа (суммарно) 1444.68s Время ответа (макс.) 519.30s Неверный ответ: 5 Тайм-аут: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 6.0 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 3.4 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#135#135	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 4 Входные токены 98,700 Выходные токены 1,050,900 Токены рассуждений 0 Время ответа (среднее) 70.10s Время ответа (суммарно) 1542.14s Время ответа (макс.) 364.99s Неверный ответ: 7 Нет ответа: 3 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 4.0 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 5.5 Следование инструкциям : 9.8 Решение головоломок : 5.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#110#110	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 4 Входные токены 68,913 Выходные токены 64,654 Токены рассуждений 282,865 Время ответа (среднее) 115.89s Время ответа (суммарно) 2433.66s Время ответа (макс.) 876.20s Тайм-аут: 3 Неверный ответ: 3 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 7.0 Программирование : 5.7 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 6.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#10#10	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 3 Надежность 10.0 Доля успешных попыток 86.4% Нестабильные тесты 0 Входные токены 80,067 Выходные токены 5,378 Токены рассуждений 23,162 Время ответа (среднее) 10.15s Время ответа (суммарно) 223.24s Время ответа (макс.) 56.19s Неверный ответ: 3 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#132#132	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 8.6 Доля успешных попыток 63.6% Нестабильные тесты 5 Входные токены 81,970 Выходные токены 7,186 Токены рассуждений 403,389 Время ответа (среднее) 124.18s Время ответа (суммарно) 2732.03s Время ответа (макс.) 675.30s Ошибка API: 5 Неверный ответ: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.3 Программирование : 6.2 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 4.6 Следование инструкциям : 9.8 Решение головоломок : 7.8 Вызов инструментов : 4.7 Эрудиция : 3.0
#33#33	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 74.2% Нестабильные тесты 4 Входные токены 123,680 Выходные токены 7,222 Токены рассуждений 271,442 Время ответа (среднее) 19.67s Время ответа (суммарно) 432.72s Время ответа (макс.) 142.49s Не соблюдены инструкции: 3 Неверный ответ: 3 Лишнее форматирование: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 7.3 Программирование : 10.0 Комбинированный : 8.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#12#12	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 2 Надежность 10.0 Доля успешных попыток 90.9% Нестабильные тесты 0 Входные токены 92,296 Выходные токены 5,232 Токены рассуждений 92,006 Время ответа (среднее) 20.62s Время ответа (суммарно) 329.94s Время ответа (макс.) 88.68s Неверный ответ: 2 Анти-ИИ уловки : 10.0 Программирование : 7.9 Комбинированный : 9.8 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
#34#34	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 72.7% Нестабильные тесты 2 Входные токены 142,147 Выходные токены 7,905 Токены рассуждений 284,247 Время ответа (среднее) 26.25s Время ответа (суммарно) 577.47s Время ответа (макс.) 165.38s Неверный ответ: 4 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 7.9 Вызов инструментов : 9.8 Эрудиция : 3.0
#31#31	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 1 Входные токены 145,249 Выходные токены 24,948 Токены рассуждений 5,042 Время ответа (среднее) 7.62s Время ответа (суммарно) 159.94s Время ответа (макс.) 65.40s Неверный ответ: 3 Тайм-аут: 1 Анти-ИИ уловки : 8.3 Программирование : 7.6 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 : 3.0

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