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)
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 59.4% Нестабильные тесты 3 Входные токены 287,669 Выходные токены 47,204 Токены рассуждений 375,030 Время ответа (среднее) 144.88s Время ответа (суммарно) 3332.19s Время ответа (макс.) 939.52s Неверный ответ: 8 Ошибка API: 1 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 7.3 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 3.0 Общий интеллект : 4.8 Следование инструкциям : 6.5 Решение головоломок : 5.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 60.9% Нестабильные тесты 7 Входные токены 384,974 Выходные токены 13,946 Токены рассуждений 371,916 Время ответа (среднее) 145.21s Время ответа (суммарно) 3339.87s Время ответа (макс.) 640.89s Неверный ответ: 7 Не соблюдены инструкции: 2 Ошибка API: 1 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 8.2 Программирование : 5.5 Комбинированный : 6.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.5 Следование инструкциям : 8.0 Решение головоломок : 9.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#67#67	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
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 19 Надежность 9.4 Доля успешных попыток 30.4% Нестабильные тесты 8 Входные токены 228,711 Выходные токены 42,254 Токены рассуждений 422,121 Время ответа (среднее) 150.90s Время ответа (суммарно) 2414.33s Время ответа (макс.) 1539.97s Неверный ответ: 10 Нет ответа: 3 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Тайм-аут: 2 Агентные задачи : 3.9 Анти-ИИ уловки : 4.7 Программирование : 3.2 Комбинированный : 2.9 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 3.5 Общий интеллект : 3.6 Следование инструкциям : 6.2 Решение головоломок : 2.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 13 Надежность 10.0 Доля успешных попыток 53.6% Нестабильные тесты 4 Входные токены 275,080 Выходные токены 32,447 Токены рассуждений 372,188 Время ответа (среднее) 151.67s Время ответа (суммарно) 3488.43s Время ответа (макс.) 941.66s Неверный ответ: 7 Не соблюдены инструкции: 2 Нет ответа: 2 Тайм-аут: 2 Агентные задачи : 10.0 Анти-ИИ уловки : 8.9 Программирование : 7.8 Комбинированный : 10.0 Парсинг и извлечение данных : 3.6 Предметно-ориентированное : 3.6 Общий интеллект : 5.1 Следование инструкциям : 6.5 Решение головоломок : 3.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 9.4 Доля успешных попыток 76.8% Нестабильные тесты 1 Входные токены 270,889 Выходные токены 10,688 Токены рассуждений 328,857 Время ответа (среднее) 151.96s Время ответа (суммарно) 3495.01s Время ответа (макс.) 960.01s Тайм-аут: 2 Неверный ответ: 2 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 : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 7.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 13 Надежность 9.5 Доля успешных попыток 52.2% Нестабильные тесты 4 Входные токены 243,381 Выходные токены 1,581,325 Токены рассуждений 0 Время ответа (среднее) 154.41s Время ответа (суммарно) 3551.40s Время ответа (макс.) 455.72s Нет ответа: 7 Неверный ответ: 3 Ошибка API: 2 Не соблюдены инструкции: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 6.5 Программирование : 2.9 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 3.4 Следование инструкциям : 7.3 Решение головоломок : 5.8 Вызов инструментов : 10.0 Эрудиция : 3.0
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 81.2% Нестабильные тесты 2 Входные токены 241,855 Выходные токены 8,387 Токены рассуждений 600,946 Время ответа (среднее) 161.25s Время ответа (суммарно) 3708.70s Время ответа (макс.) 739.98s Неверный ответ: 3 Нет ответа: 2 Агентные задачи : 10.0 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
#66#66	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
#42#42	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 3 Входные токены 246,954 Выходные токены 8,378 Токены рассуждений 698,942 Время ответа (среднее) 170.52s Время ответа (суммарно) 3922.04s Время ответа (макс.) 584.71s Неверный ответ: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 10.0 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
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 9.8 Доля успешных попыток 87.0% Нестабильные тесты 3 Входные токены 328,637 Выходные токены 8,619 Токены рассуждений 432,733 Время ответа (среднее) 186.06s Время ответа (суммарно) 4279.49s Время ответа (макс.) 912.78s Неверный ответ: 2 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Тайм-аут: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 6.5 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#68#68	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
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 49.3% Нестабильные тесты 3 Входные токены 139,086 Выходные токены 193,584 Токены рассуждений 413,546 Время ответа (среднее) 190.48s Время ответа (суммарно) 3238.23s Время ответа (макс.) 1597.85s Неверный ответ: 6 Не соблюдены инструкции: 3 Ошибка API: 1 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 2.8 Анти-ИИ уловки : 10.0 Программирование : 2.4 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 5.5 Следование инструкциям : 8.3 Решение головоломок : 5.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 20 Надежность 6.5 Доля успешных попыток 21.7% Нестабильные тесты 4 Входные токены 162,180 Выходные токены 5,030 Токены рассуждений 682,447 Время ответа (среднее) 207.21s Время ответа (суммарно) 4765.91s Время ответа (макс.) 597.45s Неверный ответ: 13 Ошибка API: 5 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 4.7 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
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 19 Надежность 8.2 Доля успешных попыток 37.7% Нестабильные тесты 10 Входные токены 282,658 Выходные токены 198,563 Токены рассуждений 462,804 Время ответа (среднее) 235.35s Время ответа (суммарно) 5413.09s Время ответа (макс.) 685.87s Тайм-аут: 10 Неверный ответ: 7 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 6.9 Программирование : 3.8 Комбинированный : 5.0 Парсинг и извлечение данных : 3.8 Предметно-ориентированное : 2.9 Общий интеллект : 5.5 Следование инструкциям : 6.4 Решение головоломок : 2.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 11 Надежность 9.0 Доля успешных попыток 65.2% Нестабильные тесты 6 Входные токены 230,895 Выходные токены 161,281 Токены рассуждений 510,655 Время ответа (среднее) 263.69s Время ответа (суммарно) 6064.89s Время ответа (макс.) 1727.29s Неверный ответ: 6 Не соблюдены инструкции: 2 Нет ответа: 2 Тайм-аут: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.3 Программирование : 3.3 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 8.4 Решение головоломок : 5.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 22 Надежность 7.3 Доля успешных попыток 26.1% Нестабильные тесты 11 Входные токены 98,467 Выходные токены 3,385 Токены рассуждений 104,595 Время ответа (среднее) 371.69s Время ответа (суммарно) 8548.88s Время ответа (макс.) 971.85s Неверный ответ: 9 Тайм-аут: 6 Ошибка API: 4 Не соблюдены инструкции: 3 Агентные задачи : 3.0 Анти-ИИ уловки : 3.8 Программирование : 4.2 Комбинированный : 3.0 Парсинг и извлечение данных : 2.9 Предметно-ориентированное : 3.6 Общий интеллект : 3.2 Следование инструкциям : 4.3 Решение головоломок : 2.9 Вызов инструментов : 10.0 Эрудиция : 3.0

←

1 17 18

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