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)
#16#16	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 80.3% Нестабильные тесты 2 Входные токены 104,464 Выходные токены 6,844 Токены рассуждений 590,392 Время ответа (среднее) 163.90s Время ответа (суммарно) 3605.87s Время ответа (макс.) 739.98s Неверный ответ: 3 Нет ответа: 2 Анти-ИИ уловки : 8.2 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#84#84	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 57.6% Нестабильные тесты 1 Входные токены 185,547 Выходные токены 24,866 Токены рассуждений 0 Время ответа (среднее) 7.65s Время ответа (суммарно) 168.35s Время ответа (макс.) 47.72s Неверный ответ: 6 Лишнее форматирование: 2 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 5.5 Программирование : 5.9 Комбинированный : 8.3 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
#38#38	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
#15#15	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 1 Входные токены 135,604 Выходные токены 23,814 Токены рассуждений 12,804 Время ответа (среднее) 10.26s Время ответа (суммарно) 225.66s Время ответа (макс.) 35.43s Неверный ответ: 3 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#55#55	Muse Spark 1.1high	8.0	Meta	$1.709	30.84s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 6 Входные токены 129,003 Выходные токены 8,340 Токены рассуждений 355,649 Время ответа (среднее) 30.84s Время ответа (суммарно) 647.67s Время ответа (макс.) 196.03s Неверный ответ: 3 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Ошибка API: 1 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 7.5 Программирование : 10.0 Комбинированный : 5.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 6.4 Решение головоломок : 7.8 Вызов инструментов : 9.6 Эрудиция : 3.0
#41#41	Grok 4.6medium	8.4	X AI	$1.713	73.46s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 81.8% Нестабильные тесты 4 Входные токены 106,787 Выходные токены 4,811 Токены рассуждений 244,997 Время ответа (среднее) 73.46s Время ответа (суммарно) 1616.12s Время ответа (макс.) 514.35s Неверный ответ: 5 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.1 Следование инструкциям : 9.8 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#222#222	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 19 Надежность 5.4 Доля успешных попыток 19.7% Нестабильные тесты 3 Входные токены 45,154 Выходные токены 4,022 Токены рассуждений 678,516 Время ответа (среднее) 214.25s Время ответа (суммарно) 4713.56s Время ответа (макс.) 597.45s Ошибка API: 14 Неверный ответ: 3 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 6.0 Программирование : 5.2 Комбинированный : 2.9 Парсинг и извлечение данных : 8.7 Предметно-ориентированное : 4.5 Общий интеллект : 7.5 Следование инструкциям : 9.8 Решение головоломок : 5.3 Вызов инструментов : 3.0 Эрудиция : 3.0
#32#32	Muse Spark 1.2high	8.7	Meta	$1.771	26.59s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 9.9 Доля успешных попыток 74.2% Нестабильные тесты 5 Входные токены 117,037 Выходные токены 6,983 Токены рассуждений 375,104 Время ответа (среднее) 26.59s Время ответа (суммарно) 584.89s Время ответа (макс.) 192.00s Неверный ответ: 4 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 7.1 Программирование : 10.0 Комбинированный : 8.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#24#24	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 3 Входные токены 104,695 Выходные токены 6,645 Токены рассуждений 691,086 Время ответа (среднее) 173.96s Время ответа (суммарно) 3827.19s Время ответа (макс.) 584.71s Неверный ответ: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.2 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.5 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#11#11	Grok 4.6high	9.3	X AI	$1.908	84.15s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 3 Надежность 10.0 Доля успешных попыток 86.4% Нестабильные тесты 0 Входные токены 107,275 Выходные токены 5,094 Токены рассуждений 277,123 Время ответа (среднее) 84.15s Время ответа (суммарно) 1851.26s Время ответа (макс.) 618.49s Неверный ответ: 2 Нет ответа: 1 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 : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#45#45	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
#27#27	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 2 Входные токены 138,448 Выходные токены 40,765 Токены рассуждений 11,162 Время ответа (среднее) 12.97s Время ответа (суммарно) 285.29s Время ответа (макс.) 70.54s Неверный ответ: 4 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 9.9 Парсинг и извлечение данных : 7.1 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#6#6	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 3 Надежность 10.0 Доля успешных попыток 89.4% Нестабильные тесты 2 Входные токены 107,146 Выходные токены 8,777 Токены рассуждений 196,705 Время ответа (среднее) 15.46s Время ответа (суммарно) 340.20s Время ответа (макс.) 145.92s Неверный ответ: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 9.8 Эрудиция : 10.0
#39#39	Grok 4.5medium	8.5	X AI	$2.042	68.59s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 3 Входные токены 122,155 Выходные токены 5,514 Токены рассуждений 293,946 Время ответа (среднее) 68.59s Время ответа (суммарно) 1508.91s Время ответа (макс.) 436.38s Неверный ответ: 5 Анти-ИИ уловки : 10.0 Программирование : 7.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 6.5 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#213#213	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
Открыть карточку модели Всего тестов 18 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 56.1% Нестабильные тесты 4 Входные токены 29,134 Выходные токены 1,984 Токены рассуждений 1,355,583 Время ответа (среднее) 61.96s Время ответа (суммарно) 1115.31s Время ответа (макс.) 149.23s Неверный ответ: 4 Не соблюдены инструкции: 3 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 3.3 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 5.0 Следование инструкциям : 7.3 Решение головоломок : 5.7 Вызов инструментов : 10.0 Эрудиция : 0.0
#73#73	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 80.3% Нестабильные тесты 3 Входные токены 156,522 Выходные токены 43,056 Токены рассуждений 9,181 Время ответа (среднее) 12.88s Время ответа (суммарно) 283.32s Время ответа (макс.) 127.97s Неверный ответ: 4 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 6.6 Комбинированный : 9.9 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#70#70	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 1 Входные токены 106,316 Выходные токены 79,338 Токены рассуждений 41,089 Время ответа (среднее) 28.08s Время ответа (суммарно) 421.15s Время ответа (макс.) 140.96s Неверный ответ: 4 Лишнее форматирование: 3 Тайм-аут: 1 Анти-ИИ уловки : 6.5 Программирование : 5.7 Комбинированный : 10.0 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
#22#22	Grok 4.5high	9.0	X AI	$2.252 ↑	72.30s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 86.4% Нестабильные тесты 3 Входные токены 152,175 Выходные токены 5,655 Токены рассуждений 318,807 Время ответа (среднее) 72.30s Время ответа (суммарно) 1590.56s Время ответа (макс.) 676.83s Нет ответа: 2 Неверный ответ: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#239#239	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
Открыть карточку модели Всего тестов 16 Ошибочных тестов 3 Надежность Н/Д Доля успешных попыток 59.1% Нестабильные тесты 0 Входные токены 28,980 Выходные токены 1,283 Токены рассуждений 1,533,310 Время ответа (среднее) 68.14s Время ответа (суммарно) 1090.28s Время ответа (макс.) 280.52s Неверный ответ: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 7.5 Программирование : 0.0 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 0.0
#99#99	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
#130#130	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 56.1% Нестабильные тесты 2 Входные токены 134,582 Выходные токены 8,955 Токены рассуждений 15,420 Время ответа (среднее) 10.33s Время ответа (суммарно) 227.37s Время ответа (макс.) 33.10s Лишнее форматирование: 4 Неверный ответ: 4 Не соблюдены инструкции: 3 Анти-ИИ уловки : 6.5 Программирование : 3.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#51#51	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
#48#48	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
#77#77	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 3 Входные токены 108,573 Выходные токены 69,994 Токены рассуждений 26,728 Время ответа (среднее) 32.23s Время ответа (суммарно) 515.65s Время ответа (макс.) 151.51s Лишнее форматирование: 4 Неверный ответ: 4 Не соблюдены инструкции: 1 Анти-ИИ уловки : 6.4 Программирование : 5.7 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#35#35	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 1 Входные токены 89,640 Выходные токены 33,092 Токены рассуждений 9,054 Время ответа (среднее) 15.01s Время ответа (суммарно) 330.15s Время ответа (макс.) 80.80s Нет ответа: 3 Недопустимый вызов инструмента: 1 Неверный ответ: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 6.5 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

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