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)
#132#132	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 5 Входные токены 102,986 Выходные токены 5,860 Токены рассуждений 264,399 Время ответа (среднее) 32.56s Время ответа (суммарно) 716.36s Время ответа (макс.) 199.66s Неверный ответ: 6 Лишнее форматирование: 2 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 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
#76#76	Qwen3.8 27Bmedium	7.8	Qwen	~$0.058	33.05s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 9.6 Доля успешных попыток 66.7% Нестабильные тесты 1 Входные токены 98,266 Выходные токены 1,861 Токены рассуждений 134,301 Время ответа (среднее) 33.05s Время ответа (суммарно) 694.04s Время ответа (макс.) 214.63s Неверный ответ: 3 Не соблюдены инструкции: 2 Ошибка API: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.3 Общий интеллект : 5.0 Следование инструкциям : 10.0 Решение головоломок : 8.3 Вызов инструментов : 3.0 Эрудиция : 3.0
#80#80	GLM 5medium	7.7	Z.ai	$0.228 ↓	33.54s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 4 Входные токены 35,224 Выходные токены 21,570 Токены рассуждений 102,996 Время ответа (среднее) 33.54s Время ответа (суммарно) 435.99s Время ответа (макс.) 99.85s Неверный ответ: 3 Не соблюдены инструкции: 1 Нет ответа: 1 Тайм-аут: 1 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
#88#88	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.567 ↕	33.62s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 9.8 Доля успешных попыток 66.7% Нестабильные тесты 3 Входные токены 233,415 Выходные токены 54,384 Токены рассуждений 130,021 Время ответа (среднее) 33.62s Время ответа (суммарно) 739.59s Время ответа (макс.) 392.56s Неверный ответ: 7 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.4 Комбинированный : 6.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 3.7 Следование инструкциям : 9.8 Решение головоломок : 5.5 Вызов инструментов : 10.0 Эрудиция : 3.0
#233#233	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.037 ↓	36.17s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 18 Надежность 10.0 Доля успешных попыток 27.3% Нестабильные тесты 4 Входные токены 240,230 Выходные токены 100,726 Токены рассуждений 0 Время ответа (среднее) 36.17s Время ответа (суммарно) 795.83s Время ответа (макс.) 247.27s Неверный ответ: 13 Лишнее форматирование: 2 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 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
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.595	37.19s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 1 Надежность 10.0 Доля успешных попыток 98.5% Нестабильные тесты 1 Входные токены 84,593 Выходные токены 10,517 Токены рассуждений 397,671 Время ответа (среднее) 37.19s Время ответа (суммарно) 818.19s Время ответа (макс.) 177.08s Нет ответа: 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
#120#120	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 6 Входные токены 92,191 Выходные токены 14,286 Токены рассуждений 289,733 Время ответа (среднее) 38.05s Время ответа (суммарно) 837.05s Время ответа (макс.) 394.54s Неверный ответ: 7 Не соблюдены инструкции: 3 Ошибка API: 1 Анти-ИИ уловки : 10.0 Программирование : 6.7 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 4.0 Следование инструкциям : 8.5 Решение головоломок : 7.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 87.9% Нестабильные тесты 3 Входные токены 80,668 Выходные токены 5,617 Токены рассуждений 119,699 Время ответа (среднее) 38.97s Время ответа (суммарно) 857.43s Время ответа (макс.) 332.10s Неверный ответ: 4 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
#310#310	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
Открыть карточку модели Всего тестов 12 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 27.3% Нестабильные тесты 0 Входные токены 1,971 Выходные токены 64,795 Токены рассуждений 0 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 Анти-ИИ уловки : 10.0 Программирование : 9.8 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
#69#69	Qwen3.8 27Blow	7.9	Qwen	~$0.071	39.11s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 0 Входные токены 99,705 Выходные токены 1,545 Токены рассуждений 167,784 Время ответа (среднее) 39.11s Время ответа (суммарно) 860.51s Время ответа (макс.) 376.04s Неверный ответ: 4 Нет ответа: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 7.7 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 3.0 Эрудиция : 3.0
#268#268	Hy4 previewnone	4.8	Tencent	$0.041	39.24s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 19 Надежность 4.3 Доля успешных попыток 16.7% Нестабильные тесты 1 Входные токены 26,376 Выходные токены 7,306 Токены рассуждений 0 Время ответа (среднее) 39.24s Время ответа (суммарно) 863.30s Время ответа (макс.) 95.32s Неверный ответ: 9 Ошибка API: 7 Не соблюдены инструкции: 2 Лишнее форматирование: 1 Анти-ИИ уловки : 3.3 Программирование : 3.8 Комбинированный : 3.0 Парсинг и извлечение данных : 8.7 Предметно-ориентированное : 6.8 Общий интеллект : 5.1 Следование инструкциям : 7.0 Решение головоломок : 4.6 Вызов инструментов : 3.0 Эрудиция : 3.0
#280#280	Cobuddymedium	4.7	Baidu	$0.000	39.90s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 14 Надежность 10.0 Доля успешных попыток 45.5% Нестабильные тесты 6 Входные токены 37,449 Выходные токены 1,677 Токены рассуждений 116,703 Время ответа (среднее) 39.90s Время ответа (суммарно) 797.98s Время ответа (макс.) 309.02s Неверный ответ: 9 Не соблюдены инструкции: 3 Ошибка API: 1 Недопустимый вызов инструмента: 1 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
#204#204	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 53.0% Нестабильные тесты 3 Входные токены 37,007 Выходные токены 1,952 Токены рассуждений 357,306 Время ответа (среднее) 41.16s Время ответа (суммарно) 823.26s Время ответа (макс.) 299.23s Неверный ответ: 5 Не соблюдены инструкции: 2 Нет ответа: 2 Ошибка API: 1 Лишнее форматирование: 1 Анти-ИИ уловки : 10.0 Программирование : 3.3 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 5.4 Следование инструкциям : 8.3 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#79#79	Qwen3.7 Flashhigh	7.8	Qwen	$0.052	41.37s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 6 Входные токены 116,331 Выходные токены 12,330 Токены рассуждений 357,920 Время ответа (среднее) 41.37s Время ответа (суммарно) 910.11s Время ответа (макс.) 431.47s Неверный ответ: 7 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.1 Следование инструкциям : 9.8 Решение головоломок : 7.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#259#259	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 17 Надежность 10.0 Доля успешных попыток 45.5% Нестабильные тесты 9 Входные токены 114,527 Выходные токены 18,558 Токены рассуждений 129,146 Время ответа (среднее) 43.25s Время ответа (суммарно) 908.21s Время ответа (макс.) 196.21s Неверный ответ: 6 Не соблюдены инструкции: 5 Нет ответа: 2 Тайм-аут: 2 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 7.9 Программирование : 5.7 Комбинированный : 3.8 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 3.0 Общий интеллект : 3.9 Следование инструкциям : 3.8 Решение головоломок : 5.9 Вызов инструментов : 4.7 Эрудиция : 3.0
#25#25	Muse Spark 1.3low	9.0	Meta	$0.633	43.67s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 9.6 Доля успешных попыток 83.3% Нестабильные тесты 3 Входные токены 104,966 Выходные токены 10,208 Токены рассуждений 107,707 Время ответа (среднее) 43.67s Время ответа (суммарно) 960.70s Время ответа (макс.) 190.38s Неверный ответ: 3 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 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
#126#126	Grok 4.3medium	7.0	X AI	$0.741	44.21s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 5 Входные токены 140,244 Выходные токены 13,739 Токены рассуждений 212,165 Время ответа (среднее) 44.21s Время ответа (суммарно) 972.64s Время ответа (макс.) 216.69s Неверный ответ: 6 Не соблюдены инструкции: 2 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 5.9 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 5.4 Следование инструкциям : 9.8 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#19#19	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 86.4% Нестабильные тесты 3 Входные токены 106,029 Выходные токены 5,748 Токены рассуждений 220,354 Время ответа (среднее) 44.32s Время ответа (суммарно) 975.11s Время ответа (макс.) 556.06s Неверный ответ: 4 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#140#140	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 5 Входные токены 129,050 Выходные токены 20,026 Токены рассуждений 616,923 Время ответа (среднее) 44.97s Время ответа (суммарно) 989.32s Время ответа (макс.) 578.13s Неверный ответ: 8 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 5.0 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 4.8 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#71#71	Qwen3.6 Plusmedium	7.8	Qwen	$0.418 ↑	45.52s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 2 Входные токены 97,698 Выходные токены 6,417 Токены рассуждений 191,215 Время ответа (среднее) 45.52s Время ответа (суммарно) 955.94s Время ответа (макс.) 291.55s Неверный ответ: 5 Ошибка API: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 6.1 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.1 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#249#249	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 15 Надежность 8.7 Доля успешных попыток 34.9% Нестабильные тесты 1 Входные токены 52,909 Выходные токены 7,058 Токены рассуждений 12,272 Время ответа (среднее) 45.97s Время ответа (суммарно) 1011.42s Время ответа (макс.) 557.96s Неверный ответ: 9 Тайм-аут: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.4 Программирование : 5.5 Комбинированный : 3.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.3 Общий интеллект : 4.0 Следование инструкциям : 3.8 Решение головоломок : 3.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#173#173	MiMo-V2.5medium	6.4	Xiaomi	$0.104 ↓	46.28s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 7 Входные токены 105,456 Выходные токены 7,108 Токены рассуждений 319,940 Время ответа (среднее) 46.28s Время ответа (суммарно) 1018.12s Время ответа (макс.) 316.27s Неверный ответ: 5 Лишнее форматирование: 2 Нет ответа: 2 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 6.2 Комбинированный : 8.7 Парсинг и извлечение данных : 2.7 Предметно-ориентированное : 3.6 Общий интеллект : 5.4 Следование инструкциям : 9.9 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#119#119	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 9.6 Доля успешных попыток 63.6% Нестабильные тесты 2 Входные токены 42,106 Выходные токены 2,280 Токены рассуждений 169,843 Время ответа (среднее) 46.97s Время ответа (суммарно) 986.35s Время ответа (макс.) 189.38s Неверный ответ: 8 Тайм-аут: 1 Анти-ИИ уловки : 10.0 Программирование : 6.2 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 4.9 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#137#137	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 7 Входные токены 114,477 Выходные токены 12,786 Токены рассуждений 457,290 Время ответа (среднее) 47.38s Время ответа (суммарно) 1042.43s Время ответа (макс.) 593.64s Неверный ответ: 8 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 6.2 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.5 Следование инструкциям : 5.8 Решение головоломок : 7.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#77#77	Seed-2.0-Litemedium	7.8	Bytedance Seed	$0.236	47.94s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 4 Входные токены 129,906 Выходные токены 12,530 Токены рассуждений 88,766 Время ответа (среднее) 47.94s Время ответа (суммарно) 1054.57s Время ответа (макс.) 254.92s Неверный ответ: 6 Не соблюдены инструкции: 2 Нет ответа: 1 Анти-ИИ уловки : 8.3 Программирование : 8.0 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 6.7 Следование инструкциям : 10.0 Решение головоломок : 9.0 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