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)
#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
#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
#125#125	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 62.1% Нестабильные тесты 5 Входные токены 79,740 Выходные токены 23,357 Токены рассуждений 339,837 Время ответа (среднее) 120.58s Время ответа (суммарно) 2652.77s Время ответа (макс.) 491.07s Неверный ответ: 5 Не соблюдены инструкции: 3 Ошибка API: 1 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 5.7 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 5.5 Следование инструкциям : 7.9 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#128#128	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.43s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 7 Входные токены 101,056 Выходные токены 11,832 Токены рассуждений 116,955 Время ответа (среднее) 68.43s Время ответа (суммарно) 1505.53s Время ответа (макс.) 376.10s Неверный ответ: 5 Ошибка API: 2 Тайм-аут: 2 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.2 Программирование : 6.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 3.4 Следование инструкциям : 10.0 Решение головоломок : 7.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#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
#133#133	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.116	93.10s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 8.7 Доля успешных попыток 57.6% Нестабильные тесты 3 Входные токены 125,704 Выходные токены 10,781 Токены рассуждений 247,541 Время ответа (среднее) 93.10s Время ответа (суммарно) 1768.91s Время ответа (макс.) 301.78s Неверный ответ: 5 Тайм-аут: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 6.6 Программирование : 5.5 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 5.1 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#135#135	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.478	24.87s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 8 Входные токены 87,916 Выходные токены 7,213 Токены рассуждений 132,162 Время ответа (среднее) 24.87s Время ответа (суммарно) 547.14s Время ответа (макс.) 257.00s Неверный ответ: 9 Ошибка API: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.2 Программирование : 7.8 Комбинированный : 6.4 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 4.7 Следование инструкциям : 9.9 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 56.1% Нестабильные тесты 2 Входные токены 134,582 Выходные токены 8,955 Токены рассуждений 15,420 Время ответа (среднее) 10.33s Время ответа (суммарно) 227.37s Время ответа (макс.) 33.10s Лишнее форматирование: 4 Неверный ответ: 4 Не соблюдены инструкции: 3 Анти-ИИ уловки : 6.5 Программирование : 3.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#138#138	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 8.6 Доля успешных попыток 63.6% Нестабильные тесты 5 Входные токены 81,970 Выходные токены 7,186 Токены рассуждений 403,389 Время ответа (среднее) 124.18s Время ответа (суммарно) 2732.03s Время ответа (макс.) 675.30s Ошибка API: 5 Неверный ответ: 4 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.3 Программирование : 6.2 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 4.6 Следование инструкциям : 9.8 Решение головоломок : 7.8 Вызов инструментов : 4.7 Эрудиция : 3.0
#141#141	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 4 Входные токены 98,700 Выходные токены 1,050,900 Токены рассуждений 0 Время ответа (среднее) 70.10s Время ответа (суммарно) 1542.14s Время ответа (макс.) 364.99s Неверный ответ: 7 Нет ответа: 3 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 4.0 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 5.5 Следование инструкциям : 9.8 Решение головоломок : 5.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#143#143	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 60.6% Нестабильные тесты 6 Входные токены 90,556 Выходные токены 6,153 Токены рассуждений 332,220 Время ответа (среднее) 136.11s Время ответа (суммарно) 2994.49s Время ответа (макс.) 640.89s Неверный ответ: 6 Не соблюдены инструкции: 2 Ошибка API: 1 Нет ответа: 1 Тайм-аут: 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
#147#147	MiMo-V2.5-Promedium	6.8	Xiaomi	$0.221 ↓	48.68s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 6 Входные токены 139,892 Выходные токены 15,569 Токены рассуждений 169,897 Время ответа (среднее) 48.68s Время ответа (суммарно) 1071.02s Время ответа (макс.) 333.34s Лишнее форматирование: 3 Неверный ответ: 3 Не соблюдены инструкции: 2 Ошибка API: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 6.2 Комбинированный : 6.9 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 5.5 Следование инструкциям : 9.9 Решение головоломок : 6.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#151#151	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.487	26.01s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 8 Входные токены 98,508 Выходные токены 139,572 Токены рассуждений 0 Время ответа (среднее) 26.01s Время ответа (суммарно) 572.22s Время ответа (макс.) 335.41s Неверный ответ: 10 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.7 Программирование : 6.1 Комбинированный : 4.1 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 4.8 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#164#164	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 53.0% Нестабильные тесты 2 Входные токены 102,655 Выходные токены 29,370 Токены рассуждений 0 Время ответа (среднее) 9.86s Время ответа (суммарно) 157.77s Время ответа (макс.) 123.00s Неверный ответ: 11 Анти-ИИ уловки : 4.8 Программирование : 4.3 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 4.4 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#169#169	Qwen3.6 Max Previewnone	6.4	Qwen	$0.228 ↓	7.82s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 9.9 Доля успешных попыток 56.1% Нестабильные тесты 2 Входные токены 106,348 Выходные токены 19,257 Токены рассуждений 0 Время ответа (среднее) 7.82s Время ответа (суммарно) 172.04s Время ответа (макс.) 102.62s Неверный ответ: 11 Анти-ИИ уловки : 5.2 Программирование : 3.8 Комбинированный : 6.5 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.3 Следование инструкциям : 9.8 Решение головоломок : 10.0 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
#175#175	Ring-2.6-1Tmedium	6.4	Inclusionai	$0.102 ↑	68.80s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 59.1% Нестабильные тесты 3 Входные токены 113,613 Выходные токены 122,706 Токены рассуждений 42,325 Время ответа (среднее) 68.80s Время ответа (суммарно) 1375.99s Время ответа (макс.) 304.19s Неверный ответ: 6 Ошибка API: 2 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 5.3 Комбинированный : 7.3 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 3.6 Общий интеллект : 4.1 Следование инструкциям : 9.8 Решение головоломок : 5.9 Вызов инструментов : 10.0 Эрудиция : 3.0
#183#183	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.140 ↑	110.84s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 6 Входные токены 130,450 Выходные токены 54,857 Токены рассуждений 838,606 Время ответа (среднее) 110.84s Время ответа (суммарно) 2438.58s Время ответа (макс.) 950.25s Тайм-аут: 4 Нет ответа: 3 Неверный ответ: 2 Ошибка API: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 5.9 Комбинированный : 3.8 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 3.5 Общий интеллект : 2.8 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#187#187	Qwen3.5-Flashmedium	6.1	Qwen	$0.142 ↓	84.44s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 6 Входные токены 118,508 Выходные токены 35,457 Токены рассуждений 477,389 Время ответа (среднее) 84.44s Время ответа (суммарно) 1773.20s Время ответа (макс.) 515.38s Неверный ответ: 5 Тайм-аут: 3 Ошибка API: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 3.7 Комбинированный : 6.4 Парсинг и извлечение данных : 7.3 Предметно-ориентированное : 2.9 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#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
#202#202	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 50.0% Нестабильные тесты 2 Входные токены 65,716 Выходные токены 189,424 Токены рассуждений 379,112 Время ответа (среднее) 191.63s Время ответа (суммарно) 3066.07s Время ответа (макс.) 1597.85s Неверный ответ: 5 Не соблюдены инструкции: 3 Ошибка API: 1 Нет ответа: 1 Тайм-аут: 1 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
#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
#230#230	Hy3 previewlow	5.5	Tencent	$0.042 ↕	24.56s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 50.0% Нестабильные тесты 2 Входные токены 21,045 Выходные токены 63,460 Токены рассуждений 0 Время ответа (среднее) 24.56s Время ответа (суммарно) 368.35s Время ответа (макс.) 78.74s Ошибка API: 7 Неверный ответ: 4 Анти-ИИ уловки : 8.3 Программирование : 5.3 Комбинированный : 5.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 5.9 Общий интеллект : 3.0 Следование инструкциям : 10.0 Решение головоломок : 5.3 Вызов инструментов : 2.8 Эрудиция : 3.0
#264#264	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
Открыть карточку модели Всего тестов 19 Ошибочных тестов 10 Надежность Н/Д Доля успешных попыток 40.9% Нестабильные тесты 0 Входные токены 32,639 Выходные токены 1,153 Токены рассуждений 62,197 Время ответа (среднее) 15.25s Время ответа (суммарно) 182.96s Время ответа (макс.) 43.55s Ошибка API: 8 Неверный ответ: 2 Анти-ИИ уловки : 8.3 Программирование : 9.8 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 3.0 Следование инструкциям : 6.5 Решение головоломок : 5.3 Вызов инструментов : 10.0 Эрудиция : 3.0
#278#278	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
Открыть карточку модели Всего тестов 19 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 53.0% Нестабильные тесты 6 Входные токены 42,845 Выходные токены 2,006 Токены рассуждений 96,334 Время ответа (среднее) 23.85s Время ответа (суммарно) 286.16s Время ответа (макс.) 121.79s Не соблюдены инструкции: 4 Неверный ответ: 4 Нет ответа: 1 Тайм-аут: 1 Анти-ИИ уловки : 8.7 Программирование : 7.8 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.8 Общий интеллект : 4.2 Следование инструкциям : 6.5 Решение головоломок : 5.3 Вызов инструментов : 2.8 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