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)
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 8.3 Доля успешных попыток 59.4% Нестабильные тесты 6 Входные токены 153,399 Выходные токены 7,803 Токены рассуждений 179,098 Время ответа (среднее) 97.34s Время ответа (суммарно) 2238.73s Время ответа (макс.) 587.08s Ошибка API: 8 Неверный ответ: 3 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.7 Программирование : 5.2 Комбинированный : 6.5 Парсинг и извлечение данных : 6.4 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 6.2 Решение головоломок : 7.7 Вызов инструментов : 3.0 Эрудиция : 3.0
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 78.3% Нестабильные тесты 6 Входные токены 157,142 Выходные токены 8,149 Токены рассуждений 24,357 Время ответа (среднее) 11.87s Время ответа (суммарно) 272.91s Время ответа (макс.) 36.59s Неверный ответ: 3 Нет ответа: 2 Ошибка API: 1 Лишнее форматирование: 1 Не соблюдены инструкции: 1 Агентные задачи : 3.0 Анти-ИИ уловки : 8.2 Программирование : 7.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 7.3 Решение головоломок : 7.6 Вызов инструментов : 10.0 Эрудиция : 2.8
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 9.6 Доля успешных попыток 72.5% Нестабильные тесты 7 Входные токены 329,276 Выходные токены 8,172 Токены рассуждений 479,012 Время ответа (среднее) 122.19s Время ответа (суммарно) 2810.40s Время ответа (макс.) 573.57s Нет ответа: 3 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Неверный ответ: 2 Ошибка API: 1 Агентные задачи : 3.0 Анти-ИИ уловки : 8.7 Программирование : 6.0 Комбинированный : 8.6 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.1 Следование инструкциям : 8.4 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#124#124	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 3 Входные токены 308,369 Выходные токены 7,013 Токены рассуждений 299,031 Время ответа (среднее) 68.44s Время ответа (суммарно) 1574.14s Время ответа (макс.) 436.38s Неверный ответ: 6 Агентные задачи : 5.0 Анти-ИИ уловки : 10.0 Программирование : 7.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 6.5 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 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
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 9.6 Доля успешных попыток 75.4% Нестабильные тесты 4 Входные токены 295,642 Выходные токены 115,041 Токены рассуждений 353,398 Время ответа (среднее) 120.88s Время ответа (суммарно) 2780.16s Время ответа (макс.) 532.28s Неверный ответ: 4 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 5.9 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 9.8 Доля успешных попыток 78.3% Нестабильные тесты 5 Входные токены 326,066 Выходные токены 5,726 Токены рассуждений 469,019 Время ответа (среднее) 117.65s Время ответа (суммарно) 2706.03s Время ответа (макс.) 660.89s Неверный ответ: 5 Нет ответа: 2 Не соблюдены инструкции: 1 Агентные задачи : 3.9 Анти-ИИ уловки : 10.0 Программирование : 6.6 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.4 Следование инструкциям : 8.4 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 84.1% Нестабильные тесты 1 Входные токены 356,605 Выходные токены 26,715 Токены рассуждений 17,041 Время ответа (среднее) 13.24s Время ответа (суммарно) 304.46s Время ответа (макс.) 78.80s Неверный ответ: 3 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 55.1% Нестабильные тесты 1 Входные токены 396,120 Выходные токены 31,386 Токены рассуждений 0 Время ответа (среднее) 10.78s Время ответа (суммарно) 247.96s Время ответа (макс.) 79.61s Неверный ответ: 7 Лишнее форматирование: 2 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 5.4 Анти-ИИ уловки : 5.5 Программирование : 5.9 Комбинированный : 8.3 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
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 2 Входные токены 348,103 Выходные токены 11,045 Токены рассуждений 234,967 Время ответа (среднее) 18.59s Время ответа (суммарно) 427.52s Время ответа (макс.) 145.92s Недопустимый вызов инструмента: 2 Неверный ответ: 2 Агентные задачи : 3.4 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 9.8 Эрудиция : 10.0
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 3 Надежность 9.9 Доля успешных попыток 91.3% Нестабильные тесты 2 Входные токены 165,464 Выходные токены 5,591 Токены рассуждений 15,454 Время ответа (среднее) 9.90s Время ответа (суммарно) 227.67s Время ответа (макс.) 73.48s Неверный ответ: 3 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 2.8
#99#99	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 3 Входные токены 342,124 Выходные токены 7,135 Токены рассуждений 326,497 Время ответа (среднее) 72.50s Время ответа (суммарно) 1667.51s Время ответа (макс.) 676.83s Неверный ответ: 3 Нет ответа: 2 Не соблюдены инструкции: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#40#40	Muse Wonderlow	9.1	Meta	$2.637	16.00s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 9.7 Доля успешных попыток 76.8% Нестабильные тесты 1 Входные токены 244,997 Выходные токены 11,148 Токены рассуждений 71,699 Время ответа (среднее) 16.00s Время ответа (суммарно) 367.91s Время ответа (макс.) 83.98s Неверный ответ: 4 Ошибка API: 2 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 5.9 Вызов инструментов : 9.8 Эрудиция : 3.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 0 Входные токены 376,233 Выходные токены 6,687 Токены рассуждений 305,927 Время ответа (среднее) 87.48s Время ответа (суммарно) 2012.15s Время ответа (макс.) 618.49s Неверный ответ: 3 Нет ответа: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 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
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 11 Надежность 8.6 Доля успешных попыток 71.0% Нестабильные тесты 8 Входные токены 195,489 Выходные токены 12,475 Токены рассуждений 108,748 Время ответа (среднее) 58.14s Время ответа (суммарно) 1337.19s Время ответа (макс.) 255.06s Ошибка API: 7 Неверный ответ: 2 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 8.7 Программирование : 8.2 Комбинированный : 6.4 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 7.1 Решение головоломок : 10.0 Вызов инструментов : 3.0 Эрудиция : 3.0
#50#50	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
#195#195	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 60.9% Нестабильные тесты 2 Входные токены 345,059 Выходные токены 24,343 Токены рассуждений 0 Время ответа (среднее) 7.54s Время ответа (суммарно) 173.31s Время ответа (макс.) 65.07s Неверный ответ: 5 Лишнее форматирование: 3 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 6.5 Программирование : 5.5 Комбинированный : 9.8 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#383#383	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
Открыть карточку модели Всего тестов 16 Ошибочных тестов 3 Надежность Н/Д Доля успешных попыток 56.5% Нестабильные тесты 0 Входные токены 28,980 Выходные токены 1,283 Токены рассуждений 1,533,310 Время ответа (среднее) 68.14s Время ответа (суммарно) 1090.28s Время ответа (макс.) 280.52s Неверный ответ: 2 Не соблюдены инструкции: 1 Агентные задачи : 0.0 Анти-ИИ уловки : 7.5 Программирование : 0.0 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 0.0
#127#127	Grok 4.6medium	7.8	X AI	$2.270	74.77s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 78.3% Нестабильные тесты 4 Входные токены 336,351 Выходные токены 6,180 Токены рассуждений 260,017 Время ответа (среднее) 74.77s Время ответа (суммарно) 1719.73s Время ответа (макс.) 514.35s Неверный ответ: 6 Не соблюдены инструкции: 1 Агентные задачи : 5.0 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.1 Следование инструкциям : 9.8 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#60#60	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
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 2 Надежность 9.9 Доля успешных попыток 91.3% Нестабильные тесты 0 Входные токены 159,023 Выходные токены 4,935 Токены рассуждений 6,454 Время ответа (среднее) 7.01s Время ответа (суммарно) 161.20s Время ответа (макс.) 49.16s Неверный ответ: 2 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 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 : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 87.0% Нестабильные тесты 2 Входные токены 319,095 Выходные токены 10,371 Токены рассуждений 32,411 Время ответа (среднее) 27.55s Время ответа (суммарно) 633.73s Время ответа (макс.) 95.95s Неверный ответ: 2 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 62.3% Нестабильные тесты 1 Входные токены 106,316 Выходные токены 79,338 Токены рассуждений 41,089 Время ответа (среднее) 28.08s Время ответа (суммарно) 421.15s Время ответа (макс.) 140.96s Неверный ответ: 4 Лишнее форматирование: 3 Тайм-аут: 1 Агентные задачи : 0.0 Анти-ИИ уловки : 6.5 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 : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 9.6 Доля успешных попыток 81.2% Нестабильные тесты 5 Входные токены 271,242 Выходные токены 11,803 Токены рассуждений 397,838 Время ответа (среднее) 92.38s Время ответа (суммарно) 2124.67s Время ответа (макс.) 482.30s Ошибка API: 2 Неверный ответ: 2 Лишнее форматирование: 1 Нет ответа: 1 Тайм-аут: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 8.7 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.5 Следование инструкциям : 10.0 Решение головоломок : 8.2 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 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