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: 2026-10-02 Оценено моделей: 387

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

387/387

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#62#62	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 81.2% Нестабильные тесты 5 Входные токены 345,687 Выходные токены 13,550 Токены рассуждений 34,743 Время ответа (среднее) 10.79s Время ответа (суммарно) 248.22s Время ответа (макс.) 51.53s Неверный ответ: 5 Лишнее форматирование: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.2 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 3.5 Общий интеллект : 6.5 Следование инструкциям : 9.9 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#60#60	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 72.5% Нестабильные тесты 4 Входные токены 291,368 Выходные токены 13,469 Токены рассуждений 108,952 Время ответа (среднее) 13.21s Время ответа (суммарно) 303.92s Время ответа (макс.) 54.15s Неверный ответ: 5 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 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
#61#61	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 4 Входные токены 342,579 Выходные токены 12,848 Токены рассуждений 70,193 Время ответа (среднее) 14.98s Время ответа (суммарно) 344.60s Время ответа (макс.) 54.92s Неверный ответ: 3 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.5 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#59#59	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$1.215 ↑	61.58s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 9.4 Доля успешных попыток 69.6% Нестабильные тесты 2 Входные токены 414,054 Выходные токены 7,635 Токены рассуждений 900,536 Время ответа (среднее) 61.58s Время ответа (суммарно) 1416.24s Время ответа (макс.) 335.08s Неверный ответ: 6 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 : 3.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 5.5 Вызов инструментов : 10.0 Эрудиция : 3.0
#58#58	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 87.0% Нестабильные тесты 4 Входные токены 172,359 Выходные токены 5,026 Токены рассуждений 8,185 Время ответа (среднее) 8.72s Время ответа (суммарно) 200.61s Время ответа (макс.) 48.43s Неверный ответ: 5 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 6.2 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 : 4.7
#57#57	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 5 Входные токены 234,572 Выходные токены 8,019 Токены рассуждений 761,563 Время ответа (среднее) 189.13s Время ответа (суммарно) 4349.92s Время ответа (макс.) 885.33s Неверный ответ: 5 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 10.0 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
#56#56	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 9.5 Доля успешных попыток 78.3% Нестабильные тесты 7 Входные токены 298,476 Выходные токены 7,762 Токены рассуждений 515,918 Время ответа (среднее) 148.11s Время ответа (суммарно) 3406.53s Время ответа (макс.) 904.91s Лишнее форматирование: 3 Неверный ответ: 3 Не соблюдены инструкции: 1 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 7.3 Программирование : 8.2 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 8.4 Решение головоломок : 8.4 Вызов инструментов : 10.0 Эрудиция : 2.8
#55#55	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 9.7 Доля успешных попыток 78.3% Нестабильные тесты 2 Входные токены 348,967 Выходные токены 1,005 Токены рассуждений 676,075 Время ответа (среднее) 166.34s Время ответа (суммарно) 3825.81s Время ответа (макс.) 640.85s Не соблюдены инструкции: 2 Нет ответа: 2 Неверный ответ: 2 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.1 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.0 Следование инструкциям : 9.8 Решение головоломок : 7.6 Вызов инструментов : 10.0 Эрудиция : 3.0
#54#54	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
#53#53	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 78.3% Нестабильные тесты 3 Входные токены 254,914 Выходные токены 10,303 Токены рассуждений 121,928 Время ответа (среднее) 11.81s Время ответа (суммарно) 271.60s Время ответа (макс.) 56.77s Неверный ответ: 4 Не соблюдены инструкции: 3 Агентные задачи : 10.0 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
#52#52	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.618 ↑	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
#51#51	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.642 ↑	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
#50#50	GPT-5.4medium	8.8	OpenAI	$2.213 ↑	24.81s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 78.3% Нестабильные тесты 4 Входные токены 223,210 Выходные токены 7,312 Токены рассуждений 89,190 Время ответа (среднее) 24.81s Время ответа (суммарно) 570.60s Время ответа (макс.) 100.41s Неверный ответ: 5 Не соблюдены инструкции: 2 Агентные задачи : 10.0 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
#49#49	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 81.2% Нестабильные тесты 3 Входные токены 262,495 Выходные токены 7,787 Токены рассуждений 86,149 Время ответа (среднее) 25.09s Время ответа (суммарно) 577.14s Время ответа (макс.) 155.75s Неверный ответ: 5 Не соблюдены инструкции: 1 Агентные задачи : 10.0 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
#48#48	Claude Fable 5medium	8.9	Anthropic	$5.089	16.84s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 1 Входные токены 272,411 Выходные токены 35,497 Токены рассуждений 11,788 Время ответа (среднее) 16.84s Время ответа (суммарно) 387.26s Время ответа (макс.) 80.80s Нет ответа: 3 Недопустимый вызов инструмента: 1 Неверный ответ: 1 Агентные задачи : 10.0 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
#47#47	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 73.9% Нестабильные тесты 2 Входные токены 305,707 Выходные токены 10,240 Токены рассуждений 291,479 Время ответа (среднее) 27.02s Время ответа (суммарно) 621.38s Время ответа (макс.) 165.38s Неверный ответ: 4 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 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
#46#46	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 75.4% Нестабильные тесты 4 Входные токены 292,604 Выходные токены 9,569 Токены рассуждений 278,408 Время ответа (среднее) 21.28s Время ответа (суммарно) 489.46s Время ответа (макс.) 142.49s Не соблюдены инструкции: 3 Неверный ответ: 3 Лишнее форматирование: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 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
#45#45	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 9.9 Доля успешных попыток 75.4% Нестабильные тесты 5 Входные токены 277,967 Выходные токены 9,240 Токены рассуждений 383,606 Время ответа (среднее) 28.15s Время ответа (суммарно) 647.40s Время ответа (макс.) 192.00s Неверный ответ: 4 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 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
#44#44	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 3 Входные токены 255,743 Выходные токены 8,684 Токены рассуждений 207,435 Время ответа (среднее) 54.04s Время ответа (суммарно) 1242.97s Время ответа (макс.) 333.47s Неверный ответ: 2 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#43#43	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 89.9% Нестабильные тесты 3 Входные токены 197,570 Выходные токены 6,364 Токены рассуждений 50,704 Время ответа (среднее) 6.82s Время ответа (суммарно) 156.81s Время ответа (макс.) 48.53s Неверный ответ: 4 Агентные задачи : 10.0 Анти-ИИ уловки : 8.7 Программирование : 7.8 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.6 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#42#42	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 84.1% Нестабильные тесты 1 Входные токены 352,845 Выходные токены 16,553 Токены рассуждений 7,007 Время ответа (среднее) 9.87s Время ответа (суммарно) 226.95s Время ответа (макс.) 73.15s Неверный ответ: 4 Агентные задачи : 10.0 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
#41#41	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 84.1% Нестабильные тесты 2 Входные токены 244,529 Выходные токены 6,784 Токены рассуждений 213,142 Время ответа (среднее) 11.92s Время ответа (суммарно) 274.14s Время ответа (макс.) 53.09s Неверный ответ: 5 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.4 Комбинированный : 9.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#40#40	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
#39#39	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 84.1% Нестабильные тесты 2 Входные токены 268,540 Выходные токены 7,499 Токены рассуждений 85,499 Время ответа (среднее) 30.42s Время ответа (суммарно) 699.68s Время ответа (макс.) 168.09s Неверный ответ: 5 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#38#38	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 2 Входные токены 244,533 Выходные токены 3,450 Токены рассуждений 39,280 Время ответа (среднее) 7.85s Время ответа (суммарно) 180.45s Время ответа (макс.) 53.74s Неверный ответ: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 7.8 Комбинированный : 8.2 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 : 10.0

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 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