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: 2026-10-17 Оценено моделей: 442

Рекомендуемые модели

GPT-6.1 Sol xhigh Интеллектуальная Доля успешных попыток 97.1% Тестов верно 22 / 23 Оценка 9.9/10 Gemini 3.7 Flash low Быстрая Время ответа (среднее) 6.24s Общее число выходных токенов 38,453 Оценка 9.4/10 GPT-6 Luna high Доступная Цена входа $0.100 / 1M Цена выхода $0.500 / 1M Цена чтения из кэша $0.010 / 1M Цена записи в кэш $0.125 / 1M Оценка 7.7/10

442/442

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#212#212	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 68.1% Нестабильные тесты 9 Входные токены 365,069 Выходные токены 133,336 Токены рассуждений 344,133 Время ответа (среднее) 31.25s Время ответа (суммарно) 718.67s Время ответа (макс.) 114.61s Неверный ответ: 9 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 10.0 Программирование : 5.5 Комбинированный : 4.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 8.0 Решение головоломок : 8.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#65#65	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 73.9% Нестабильные тесты 4 Входные токены 235,207 Выходные токены 11,065 Токены рассуждений 69,473 Время ответа (среднее) 31.29s Время ответа (суммарно) 531.98s Время ответа (макс.) 116.86s Не соблюдены инструкции: 3 Неверный ответ: 3 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 10.0 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
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 14 Надежность 10.0 Доля успешных попыток 47.8% Нестабильные тесты 5 Входные токены 285,293 Выходные токены 29,565 Токены рассуждений 89,266 Время ответа (среднее) 31.58s Время ответа (суммарно) 536.78s Время ответа (макс.) 203.90s Неверный ответ: 10 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 6.7 Программирование : 5.9 Комбинированный : 6.5 Парсинг и извлечение данных : 6.4 Предметно-ориентированное : 2.9 Общий интеллект : 4.3 Следование инструкциям : 9.9 Решение головоломок : 5.3 Вызов инструментов : 9.8 Эрудиция : 3.0
#253#253	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 60.9% 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 Агентные задачи : 0.0 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
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 9.9 Доля успешных попыток 68.1% Нестабильные тесты 9 Входные токены 293,112 Выходные токены 152,376 Токены рассуждений 357,890 Время ответа (среднее) 32.68s Время ответа (суммарно) 751.72s Время ответа (макс.) 115.57s Неверный ответ: 9 Не соблюдены инструкции: 2 Нет ответа: 1 Агентные задачи : 3.4 Анти-ИИ уловки : 10.0 Программирование : 4.3 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 5.1 Следование инструкциям : 8.5 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 13 Надежность 10.0 Доля успешных попыток 55.1% Нестабильные тесты 5 Входные токены 267,840 Выходные токены 192,115 Токены рассуждений 0 Время ответа (среднее) 32.88s Время ответа (суммарно) 756.28s Время ответа (макс.) 197.32s Неверный ответ: 11 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 5.2 Программирование : 5.4 Комбинированный : 3.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.4 Следование инструкциям : 9.8 Решение головоломок : 7.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#63#63	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 9.6 Доля успешных попыток 73.9% Нестабильные тесты 2 Входные токены 280,643 Выходные токены 7,342 Токены рассуждений 437,323 Время ответа (среднее) 32.88s Время ответа (суммарно) 756.34s Время ответа (макс.) 276.31s Неверный ответ: 5 Ошибка API: 1 Не соблюдены инструкции: 1 Агентные задачи : 10.0 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
#6#6	GPT-6.1 Solxhigh	9.9	OpenAI	$1.377	33.11s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 1 Надежность 10.0 Доля успешных попыток 97.1% Нестабильные тесты 1 Входные токены 175,712 Выходные токены 5,640 Токены рассуждений 96,842 Время ответа (среднее) 33.11s Время ответа (суммарно) 761.52s Время ответа (макс.) 491.85s Неверный ответ: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#62#62	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 9.7 Доля успешных попыток 75.4% Нестабильные тесты 3 Входные токены 282,490 Выходные токены 8,621 Токены рассуждений 455,535 Время ответа (среднее) 33.27s Время ответа (суммарно) 765.12s Время ответа (макс.) 205.53s Неверный ответ: 5 Ошибка API: 1 Не соблюдены инструкции: 1 Агентные задачи : 10.0 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
#41#41	Paretodefault	9.1	Unbiased	$1.520	33.47s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 87.0% Нестабильные тесты 2 Входные токены 223,559 Выходные токены 128,144 Токены рассуждений 0 Время ответа (среднее) 33.47s Время ответа (суммарно) 769.84s Время ответа (макс.) 143.33s Неверный ответ: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 7.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 2.8
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 63.8% Нестабильные тесты 6 Входные токены 321,894 Выходные токены 139,334 Токены рассуждений 369,481 Время ответа (среднее) 33.68s Время ответа (суммарно) 774.73s Время ответа (макс.) 163.05s Неверный ответ: 9 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 8.7 Программирование : 5.1 Комбинированный : 2.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#138#138	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 6 Входные токены 269,497 Выходные токены 34,935 Токены рассуждений 145,752 Время ответа (среднее) 33.97s Время ответа (суммарно) 781.36s Время ответа (макс.) 181.08s Неверный ответ: 9 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 9.2 Программирование : 8.4 Комбинированный : 6.5 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 6.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#139#139	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 9.1 Доля успешных попыток 65.2% Нестабильные тесты 2 Входные токены 93,060 Выходные токены 10,305 Токены рассуждений 171,683 Время ответа (среднее) 34.40s Время ответа (суммарно) 791.16s Время ответа (макс.) 236.64s Ошибка API: 6 Неверный ответ: 3 Агентные задачи : 3.0 Анти-ИИ уловки : 8.3 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 5.3 Вызов инструментов : 10.0 Эрудиция : 2.8
#184#184	Ember-1low	7.0	Fireworks	$1.488	34.90s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 8.8 Доля успешных попыток 65.2% Нестабильные тесты 5 Входные токены 211,908 Выходные токены 14,158 Токены рассуждений 42,608 Время ответа (среднее) 34.90s Время ответа (суммарно) 802.79s Время ответа (макс.) 121.29s Ошибка API: 6 Неверный ответ: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 4.7 Анти-ИИ уловки : 8.2 Программирование : 10.0 Комбинированный : 6.5 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 6.2 Решение головоломок : 10.0 Вызов инструментов : 3.0 Эрудиция : 3.0
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 18 Надежность 10.0 Доля успешных попыток 29.0% Нестабильные тесты 4 Входные токены 275,349 Выходные токены 49,377 Токены рассуждений 12 Время ответа (среднее) 35.86s Время ответа (суммарно) 609.61s Время ответа (макс.) 321.19s Неверный ответ: 17 Нет ответа: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 3.6 Программирование : 5.5 Комбинированный : 2.8 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 3.0 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 3.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#201#201	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 59.4% Нестабильные тесты 5 Входные токены 315,136 Выходные токены 219,014 Токены рассуждений 0 Время ответа (среднее) 36.24s Время ответа (суммарно) 833.43s Время ответа (макс.) 320.00s Неверный ответ: 10 Не соблюдены инструкции: 2 Агентные задачи : 6.1 Анти-ИИ уловки : 6.4 Программирование : 5.7 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 5.3 Следование инструкциям : 5.9 Решение головоломок : 7.8 Вызов инструментов : 10.0 Эрудиция : 3.0
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 58.0% Нестабильные тесты 5 Входные токены 392,127 Выходные токены 7,754 Токены рассуждений 294,333 Время ответа (среднее) 36.73s Время ответа (суммарно) 844.68s Время ответа (макс.) 199.66s Неверный ответ: 7 Лишнее форматирование: 2 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Агентные задачи : 3.0 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
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 19 Надежность 9.8 Доля успешных попыток 18.8% Нестабильные тесты 1 Входные токены 307,670 Выходные токены 70,427 Токены рассуждений 0 Время ответа (среднее) 37.19s Время ответа (суммарно) 855.27s Время ответа (макс.) 433.02s Неверный ответ: 15 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Агентные задачи : 3.9 Анти-ИИ уловки : 3.1 Программирование : 3.9 Комбинированный : 3.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 4.4 Следование инструкциям : 6.5 Решение головоломок : 3.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 69.6% Нестабильные тесты 6 Входные токены 336,310 Выходные токены 10,838 Токены рассуждений 494,728 Время ответа (среднее) 37.41s Время ответа (суммарно) 860.39s 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 Агентные задачи : 10.0 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
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 15 Надежность 10.0 Доля успешных попыток 43.5% Нестабильные тесты 6 Входные токены 37,449 Выходные токены 1,677 Токены рассуждений 116,703 Время ответа (среднее) 38.01s Время ответа (суммарно) 798.15s Время ответа (макс.) 309.02s Неверный ответ: 9 Не соблюдены инструкции: 3 Ошибка API: 2 Недопустимый вызов инструмента: 1 Агентные задачи : 3.0 Анти-ИИ уловки : 8.7 Программирование : 3.7 Комбинированный : 1.5 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 2.9 Общий интеллект : 4.2 Следование инструкциям : 9.8 Решение головоломок : 3.6 Вызов инструментов : 10.0 Эрудиция : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 18 Надежность 10.0 Доля успешных попыток 30.4% Нестабильные тесты 4 Входные токены 403,455 Выходные токены 100,227 Токены рассуждений 15,364 Время ответа (среднее) 38.64s Время ответа (суммарно) 888.69s Время ответа (макс.) 247.27s Неверный ответ: 13 Лишнее форматирование: 2 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 3.0 Программирование : 4.2 Комбинированный : 4.6 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 4.2 Следование инструкциям : 6.5 Решение головоломок : 3.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#433#433	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
Открыть карточку модели Всего тестов 12 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 26.1% Нестабильные тесты 0 Входные токены 1,971 Выходные токены 50,509 Токены рассуждений 33,867 Время ответа (среднее) 39.03s Время ответа (суммарно) 312.26s Время ответа (макс.) 114.12s Ошибка API: 4 Не соблюдены инструкции: 1 Неверный ответ: 1 Агентные задачи : 0.0 Анти-ИИ уловки : 10.0 Программирование : 1.0 Комбинированный : 1.5 Парсинг и извлечение данных : 1.5 Предметно-ориентированное : 3.3 Общий интеллект : 4.0 Следование инструкциям : 5.0 Решение головоломок : 0.0 Вызов инструментов : 3.0 Эрудиция : 3.0
#172#172	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 76.8% Нестабильные тесты 5 Входные токены 212,440 Выходные токены 22,922 Токены рассуждений 115,335 Время ответа (среднее) 39.05s Время ответа (суммарно) 546.68s Время ответа (макс.) 110.70s Неверный ответ: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 4.7 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 5.0 Парсинг и извлечение данных : 7.1 Предметно-ориентированное : 3.5 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#47#47	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 3 Входные токены 250,676 Выходные токены 13,511 Токены рассуждений 315,400 Время ответа (среднее) 39.83s Время ответа (суммарно) 916.20s Время ответа (макс.) 219.77s Неверный ответ: 4 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 9.6 Эрудиция : 3.0
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 88.4% Нестабильные тесты 3 Входные токены 180,959 Выходные токены 6,472 Токены рассуждений 123,635 Время ответа (среднее) 39.86s Время ответа (суммарно) 916.82s Время ответа (макс.) 332.10s Неверный ответ: 4 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.8 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 : 2.8

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 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow