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: 311

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

311/311

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#167#167	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
#86#86	GPT-5.6 Lunahigh	7.6	OpenAI	$0.179 ↓	16.49s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 4 Входные токены 80,927 Выходные токены 5,088 Токены рассуждений 130,227 Время ответа (среднее) 16.49s Время ответа (суммарно) 362.78s Время ответа (макс.) 111.09s Неверный ответ: 8 Анти-ИИ уловки : 8.3 Программирование : 5.5 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.0 Следование инструкциям : 9.9 Решение головоломок : 7.6 Вызов инструментов : 10.0 Эрудиция : 3.0
#159#159	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
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 1 Надежность 10.0 Доля успешных попыток 98.5% Нестабильные тесты 1 Входные токены 71,470 Выходные токены 3,276 Токены рассуждений 168,709 Время ответа (среднее) 16.81s Время ответа (суммарно) 369.88s Время ответа (макс.) 104.15s Неверный ответ: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 8.2 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#28#28	GPT-5.3-Codexmedium	8.9	OpenAI	$0.988	16.91s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 83.3% Нестабильные тесты 4 Входные токены 81,187 Выходные токены 6,258 Токены рассуждений 54,116 Время ответа (среднее) 16.91s Время ответа (суммарно) 372.03s Время ответа (макс.) 100.93s Неверный ответ: 4 Не соблюдены инструкции: 2 Анти-ИИ уловки : 8.7 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 4.6 Следование инструкциям : 10.0 Решение головоломок : 9.0 Вызов инструментов : 10.0 Эрудиция : 2.8
#308#308	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
Открыть карточку модели Всего тестов 19 Ошибочных тестов 15 Надежность 10.0 Доля успешных попыток 27.3% Нестабильные тесты 5 Входные токены 11,661 Выходные токены 48,491 Токены рассуждений 180,695 Время ответа (среднее) 17.13s Время ответа (суммарно) 222.66s Время ответа (макс.) 147.45s Неверный ответ: 7 Ошибка API: 6 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 6.4 Программирование : 1.1 Комбинированный : 1.5 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 3.0 Следование инструкциям : 7.3 Решение головоломок : 2.9 Вызов инструментов : 3.0 Эрудиция : 3.0
#124#124	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 5 Входные токены 103,842 Выходные токены 320,393 Токены рассуждений 0 Время ответа (среднее) 17.87s Время ответа (суммарно) 393.04s Время ответа (макс.) 124.75s Неверный ответ: 9 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 8.2 Комбинированный : 7.3 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 3.4 Следование инструкциям : 9.8 Решение головоломок : 5.5 Вызов инструментов : 10.0 Эрудиция : 3.0
#262#262	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 16 Надежность 10.0 Доля успешных попыток 36.4% Нестабильные тесты 5 Входные токены 135,831 Выходные токены 42,099 Токены рассуждений 0 Время ответа (среднее) 17.89s Время ответа (суммарно) 393.53s Время ответа (макс.) 115.89s Неверный ответ: 8 Ошибка API: 3 Лишнее форматирование: 2 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 3.2 Программирование : 3.1 Комбинированный : 4.8 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 3.0 Общий интеллект : 4.7 Следование инструкциям : 10.0 Решение головоломок : 7.6 Вызов инструментов : 10.0 Эрудиция : 3.0
#238#238	Kimi K2.5none	5.4	Moonshot AI	$0.101 ↓	18.03s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 17 Надежность 10.0 Доля успешных попыток 30.3% Нестабильные тесты 4 Входные токены 89,320 Выходные токены 26,643 Токены рассуждений 0 Время ответа (среднее) 18.03s Время ответа (суммарно) 288.42s Время ответа (макс.) 102.83s Неверный ответ: 16 Нет ответа: 1 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
#123#123	Muse Glimmer 30Blow	7.1	Meta	$0.152 ↓	18.64s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 5 Входные токены 130,312 Выходные токены 33,867 Токены рассуждений 62,103 Время ответа (среднее) 18.64s Время ответа (суммарно) 410.18s Время ответа (макс.) 234.92s Неверный ответ: 6 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 8.1 Комбинированный : 3.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 5.0 Следование инструкциям : 8.4 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#256#256	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.19s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 18 Надежность 10.0 Доля успешных попыток 19.7% Нестабильные тесты 1 Входные токены 144,416 Выходные токены 37,484 Токены рассуждений 0 Время ответа (среднее) 19.19s Время ответа (суммарно) 422.25s Время ответа (макс.) 382.06s Неверный ответ: 14 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 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
#217#217	Kimi K2.6none	5.7	Moonshot AI	$0.233 ↑	19.57s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 16 Надежность 10.0 Доля успешных попыток 30.3% Нестабильные тесты 2 Входные токены 116,983 Выходные токены 30,249 Токены рассуждений 0 Время ответа (среднее) 19.57s Время ответа (суммарно) 430.58s Время ответа (макс.) 238.89s Неверный ответ: 12 Не соблюдены инструкции: 3 Нет ответа: 1 Анти-ИИ уловки : 4.6 Программирование : 5.5 Комбинированный : 3.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.4 Следование инструкциям : 6.5 Решение головоломок : 3.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#38#38	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 74.2% Нестабильные тесты 4 Входные токены 123,680 Выходные токены 7,222 Токены рассуждений 271,442 Время ответа (среднее) 19.67s Время ответа (суммарно) 432.72s Время ответа (макс.) 142.49s Не соблюдены инструкции: 3 Неверный ответ: 3 Лишнее форматирование: 1 Недопустимый вызов инструмента: 1 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
#6#6	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 2 Надежность 10.0 Доля успешных попыток 93.9% Нестабильные тесты 1 Входные токены 87,870 Выходные токены 5,486 Токены рассуждений 234,122 Время ответа (среднее) 19.86s Время ответа (суммарно) 436.88s Время ответа (макс.) 117.26s Неверный ответ: 2 Анти-ИИ уловки : 10.0 Программирование : 8.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#177#177	MiMo-V2-Flashmedium	6.3	Xiaomi	$0.043 ↑	20.11s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 62.1% Нестабильные тесты 3 Входные токены 40,111 Выходные токены 12,476 Токены рассуждений 125,039 Время ответа (среднее) 20.11s Время ответа (суммарно) 301.59s Время ответа (макс.) 96.01s Неверный ответ: 5 Ошибка API: 1 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Тайм-аут: 1 Анти-ИИ уловки : 8.1 Программирование : 6.0 Комбинированный : 4.9 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.9 Общий интеллект : 4.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#110#110	KAT-Coder-Pro V2.5low	7.3	Kwaipilot	$0.400	20.20s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 8 Входные токены 87,682 Выходные токены 7,166 Токены рассуждений 106,027 Время ответа (среднее) 20.20s Время ответа (суммарно) 444.35s Время ответа (макс.) 209.15s Неверный ответ: 10 Ошибка API: 1 Анти-ИИ уловки : 6.9 Программирование : 7.8 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 4.1 Следование инструкциям : 10.0 Решение головоломок : 6.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#13#13	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 2 Надежность 10.0 Доля успешных попыток 90.9% Нестабильные тесты 0 Входные токены 92,296 Выходные токены 5,232 Токены рассуждений 92,006 Время ответа (среднее) 20.62s Время ответа (суммарно) 329.94s Время ответа (макс.) 88.68s Неверный ответ: 2 Анти-ИИ уловки : 10.0 Программирование : 7.9 Комбинированный : 9.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 10.0
#239#239	DeepSeek V4 Flash 0731none	5.4	DeepSeek	$0.011 ↓	20.72s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 18 Надежность 10.0 Доля успешных попыток 27.3% Нестабильные тесты 4 Входные токены 94,566 Выходные токены 25,426 Токены рассуждений 0 Время ответа (среднее) 20.72s Время ответа (суммарно) 455.81s Время ответа (макс.) 387.15s Неверный ответ: 13 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Лишнее форматирование: 1 Анти-ИИ уловки : 3.4 Программирование : 4.3 Комбинированный : 3.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.4 Следование инструкциям : 5.0 Решение головоломок : 3.2 Вызов инструментов : 9.5 Эрудиция : 3.0
#184#184	gpt-oss-120bmedium	6.1	OpenAI	$0.020 ↓	20.81s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 13 Надежность 10.0 Доля успешных попыток 50.0% Нестабильные тесты 5 Входные токены 108,767 Выходные токены 29,378 Токены рассуждений 68,904 Время ответа (среднее) 20.81s Время ответа (суммарно) 332.88s Время ответа (макс.) 68.16s Неверный ответ: 9 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 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
#54#54	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
#307#307	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
Открыть карточку модели Всего тестов 19 Ошибочных тестов 13 Надежность 10.0 Доля успешных попыток 33.3% Нестабильные тесты 2 Входные токены 9,081 Выходные токены 51,664 Токены рассуждений 0 Время ответа (среднее) 21.61s Время ответа (суммарно) 345.79s Время ответа (макс.) 113.71s Неверный ответ: 8 Ошибка API: 3 Не соблюдены инструкции: 2 Анти-ИИ уловки : 6.5 Программирование : 1.5 Комбинированный : 1.5 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 3.0 Общий интеллект : 4.8 Следование инструкциям : 9.8 Решение головоломок : 6.0 Вызов инструментов : 3.0 Эрудиция : 3.0
#42#42	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 80.3% Нестабильные тесты 3 Входные токены 99,181 Выходные токены 6,132 Токены рассуждений 77,689 Время ответа (среднее) 21.83s Время ответа (суммарно) 480.37s Время ответа (макс.) 155.75s Неверный ответ: 5 Не соблюдены инструкции: 1 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
#117#117	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 6 Входные токены 106,085 Выходные токены 9,071 Токены рассуждений 135,288 Время ответа (среднее) 22.11s Время ответа (суммарно) 486.31s Время ответа (макс.) 199.97s Неверный ответ: 10 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 7.0 Программирование : 6.4 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.1 Следование инструкциям : 9.9 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#176#176	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 9 Надежность 9.6 Доля успешных попыток 69.7% Нестабильные тесты 5 Входные токены 40,961 Выходные токены 2,518 Токены рассуждений 81,801 Время ответа (среднее) 22.16s Время ответа (суммарно) 443.22s Время ответа (макс.) 136.29s Неверный ответ: 5 Ошибка API: 1 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Тайм-аут: 1 Анти-ИИ уловки : 10.0 Программирование : 6.0 Комбинированный : 2.3 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 6.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#15#15	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 81.8% Нестабильные тесты 0 Входные токены 135,956 Выходные токены 64,624 Токены рассуждений 30,959 Время ответа (среднее) 22.51s Время ответа (суммарно) 495.12s Время ответа (макс.) 159.01s Неверный ответ: 2 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 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

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 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