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: 2026-09-22 Оценено моделей: 343

Рекомендуемые модели

GPT-6 Astra xhigh Интеллектуальная Доля успешных попыток 97.0% Тестов верно 21 / 22 Оценка 9.9/10 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 $0.040 / 1M Цена выхода $0.640 / 1M Оценка 8.0/10

343/343

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#108#108	Grok 4.7xhigh	7.5	X AI	$2.625	115.74s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 9.6 Доля успешных попыток 77.3% Нестабильные тесты 6 Входные токены 124,896 Выходные токены 4,890 Токены рассуждений 500,179 Время ответа (среднее) 115.74s Время ответа (суммарно) 2546.31s Время ответа (макс.) 775.64s Нет ответа: 4 Неверный ответ: 3 Ошибка API: 1 Анти-ИИ уловки : 8.7 Программирование : 5.3 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#114#114	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 72.7% Нестабильные тесты 5 Входные токены 113,569 Выходные токены 9,823 Токены рассуждений 264,886 Время ответа (среднее) 91.76s Время ответа (суммарно) 1376.42s Время ответа (макс.) 304.85s Неверный ответ: 4 Тайм-аут: 2 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.2 Программирование : 6.6 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.7 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#120#120	Gemini 3.1 Flash Lite Previewmedium	7.4	Google	$0.117	4.59s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 0 Входные токены 117,493 Выходные токены 10,589 Токены рассуждений 47,189 Время ответа (среднее) 4.59s Время ответа (суммарно) 101.04s Время ответа (макс.) 18.34s Неверный ответ: 6 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 9.1 Программирование : 5.5 Комбинированный : 7.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#125#125	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 9.4 Доля успешных попыток 74.2% Нестабильные тесты 4 Входные токены 108,931 Выходные токены 112,801 Токены рассуждений 343,227 Время ответа (среднее) 120.59s Время ответа (суммарно) 2653.05s Время ответа (макс.) 532.28s Неверный ответ: 3 Не соблюдены инструкции: 2 Нет ответа: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 5.9 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#143#143	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.047 ↓	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
#161#161	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
#183#183	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
#103#103	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 4 Входные токены 35,593 Выходные токены 12,245 Токены рассуждений 62,277 Время ответа (среднее) 23.00s Время ответа (суммарно) 482.97s Время ответа (макс.) 194.23s Неверный ответ: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Тайм-аут: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#191#191	Hy3 previewmedium	6.5	Tencent	$0.049 ↕	16.28s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 0 Входные токены 27,030 Выходные токены 73,544 Токены рассуждений 0 Время ответа (среднее) 16.28s Время ответа (суммарно) 293.12s Время ответа (макс.) 46.04s Ошибка API: 3 Неверный ответ: 3 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 5.3 Комбинированный : 5.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#225#225	Gemini 3 PRO Previewmedium	6.0	Google	$0.385 ↑	9.05s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 7 Надежность Н/Д Доля успешных попыток 63.6% Нестабильные тесты 0 Входные токены 28,848 Выходные токены 1,490 Токены рассуждений 10,102 Время ответа (среднее) 9.05s Время ответа (суммарно) 90.53s Время ответа (макс.) 26.24s Ошибка API: 4 Неверный ответ: 3 Анти-ИИ уловки : 10.0 Программирование : 3.0 Комбинированный : 1.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#47#47	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
#51#51	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 77.3% Нестабильные тесты 4 Входные токены 81,136 Выходные токены 6,155 Токены рассуждений 84,311 Время ответа (среднее) 22.85s Время ответа (суммарно) 502.78s Время ответа (макс.) 100.41s Неверный ответ: 5 Не соблюдены инструкции: 2 Анти-ИИ уловки : 8.3 Программирование : 8.8 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.7 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#52#52	DeepSeek V4.1 Flashlow	8.5	DeepSeek	$0.224	26.77s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 9.5 Доля успешных попыток 74.2% Нестабильные тесты 3 Входные токены 99,715 Выходные токены 6,381 Токены рассуждений 341,582 Время ответа (среднее) 26.77s Время ответа (суммарно) 589.01s Время ответа (макс.) 149.84s Неверный ответ: 6 Ошибка API: 1 Анти-ИИ уловки : 8.3 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#53#53	DeepSeek V4.1 Flashhigh	8.5	DeepSeek	$0.287	32.78s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 9.6 Доля успешных попыток 74.2% Нестабильные тесты 3 Входные токены 100,111 Выходные токены 6,642 Токены рассуждений 446,298 Время ответа (среднее) 32.78s Время ответа (суммарно) 721.15s Время ответа (макс.) 205.53s Неверный ответ: 5 Ошибка API: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.3 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 6.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#54#54	DeepSeek V4.1 Flashmedium	8.5	DeepSeek	$0.272	32.22s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 9.5 Доля успешных попыток 72.7% Нестабильные тесты 2 Входные токены 88,508 Выходные токены 5,410 Токены рассуждений 425,406 Время ответа (среднее) 32.22s Время ответа (суммарно) 708.76s Время ответа (макс.) 276.31s Неверный ответ: 5 Ошибка API: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.3 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#56#56	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
#62#62	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 5 Входные токены 104,433 Выходные токены 6,511 Токены рассуждений 752,680 Время ответа (среднее) 193.59s Время ответа (суммарно) 4258.98s Время ответа (макс.) 885.33s Неверный ответ: 5 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.2 Программирование : 8.2 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 9.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#64#64	GLM 5.3 FlashXmax	8.3	Z.ai	$0.508	41.21s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 5 Входные токены 101,211 Выходные токены 6,301 Токены рассуждений 369,433 Время ответа (среднее) 41.21s Время ответа (суммарно) 906.52s Время ответа (макс.) 390.70s Нет ответа: 2 Неверный ответ: 2 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#67#67	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 81.8% Нестабильные тесты 6 Входные токены 135,112 Выходные токены 7,594 Токены рассуждений 23,558 Время ответа (среднее) 11.67s Время ответа (суммарно) 256.73s Время ответа (макс.) 36.59s Неверный ответ: 3 Нет ответа: 2 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.2 Программирование : 7.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 7.3 Решение головоломок : 7.6 Вызов инструментов : 10.0 Эрудиция : 2.8
#68#68	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
#69#69	Muse Spark 1.3low	8.2	Meta	$0.689	16.03s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 81.8% Нестабильные тесты 5 Входные токены 116,947 Выходные токены 11,026 Токены рассуждений 116,685 Время ответа (среднее) 16.03s Время ответа (суммарно) 352.69s Время ответа (макс.) 78.72s Неверный ответ: 4 Ошибка API: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#70#70	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
#71#71	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 9.4 Доля успешных попыток 72.7% Нестабильные тесты 2 Входные токены 113,279 Выходные токены 121,045 Токены рассуждений 374,496 Время ответа (среднее) 118.97s Время ответа (суммарно) 2617.41s Время ответа (макс.) 534.21s Неверный ответ: 4 Нет ответа: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 7.8 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.2 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#74#74	Grok 4.7medium	8.1	X AI	$2.254	106.09s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 9.9 Доля успешных попыток 81.8% Нестабильные тесты 5 Входные токены 107,193 Выходные токены 4,661 Токены рассуждений 429,072 Время ответа (среднее) 106.09s Время ответа (суммарно) 2333.94s Время ответа (макс.) 660.89s Неверный ответ: 4 Нет ответа: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 6.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.4 Следование инструкциям : 8.4 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#75#75	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

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 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium