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)
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 66.7% Нестабильные тесты 2 Входные токены 85,669 Выходные токены 6,092 Токены рассуждений 292,801 Время ответа (среднее) 29.10s Время ответа (суммарно) 669.40s Время ответа (макс.) 122.60s Неверный ответ: 6 Не соблюдены инструкции: 2 Ошибка API: 1 Агентные задачи : 3.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 9.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.3 Следование инструкциям : 9.8 Решение головоломок : 4.8 Вызов инструментов : 3.0 Эрудиция : 3.0
#75#75	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 85.5% Нестабильные тесты 3 Входные токены 298,682 Выходные токены 8,374 Токены рассуждений 80,549 Время ответа (среднее) 29.07s Время ответа (суммарно) 668.66s Время ответа (макс.) 207.79s Неверный ответ: 4 Недопустимый вызов инструмента: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
Открыть карточку модели Всего тестов 19 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 42.0% Нестабильные тесты 4 Входные токены 11,793 Выходные токены 1,809 Токены рассуждений 265,466 Время ответа (среднее) 28.69s Время ответа (суммарно) 459.00s Время ответа (макс.) 138.35s Неверный ответ: 7 Ошибка API: 3 Не соблюдены инструкции: 2 Агентные задачи : 0.0 Анти-ИИ уловки : 8.7 Программирование : 3.3 Комбинированный : 1.5 Парсинг и извлечение данных : 3.8 Предметно-ориентированное : 3.6 Общий интеллект : 4.3 Следование инструкциям : 9.8 Решение головоломок : 6.4 Вызов инструментов : 3.0 Эрудиция : 3.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
Открыть карточку модели Всего тестов 20 Ошибочных тестов 14 Надежность 10.0 Доля успешных попыток 34.8% Нестабильные тесты 3 Входные токены 131,652 Выходные токены 16,869 Токены рассуждений 53,081 Время ответа (среднее) 28.63s Время ответа (суммарно) 486.69s Время ответа (макс.) 140.90s Неверный ответ: 9 Ошибка API: 3 Не соблюдены инструкции: 2 Агентные задачи : 6.1 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
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 75.4% Нестабильные тесты 7 Входные токены 219,811 Выходные токены 8,811 Токены рассуждений 59,671 Время ответа (среднее) 28.38s Время ответа (суммарно) 652.78s Время ответа (макс.) 159.91s Неверный ответ: 6 Лишнее форматирование: 2 Не соблюдены инструкции: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 6.6 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 6.1 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 79.7% Нестабильные тесты 6 Входные токены 218,199 Выходные токены 175,696 Токены рассуждений 0 Время ответа (среднее) 28.26s Время ответа (суммарно) 649.90s Время ответа (макс.) 151.76s Неверный ответ: 6 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 7.5 Программирование : 10.0 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 6.5 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 2.8
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 9.9 Доля успешных попыток 75.4% Нестабильные тесты 5 Входные токены 277,967 Выходные токены 9,240 Токены рассуждений 383,606 Время ответа (среднее) 28.15s Время ответа (суммарно) 647.40s Время ответа (макс.) 192.00s Неверный ответ: 4 Не соблюдены инструкции: 3 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 7.1 Программирование : 10.0 Комбинированный : 8.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 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
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 9.6 Доля успешных попыток 73.9% Нестабильные тесты 4 Входные токены 266,849 Выходные токены 8,284 Токены рассуждений 363,263 Время ответа (среднее) 28.04s Время ответа (суммарно) 645.03s Время ответа (макс.) 149.84s Неверный ответ: 7 Ошибка API: 1 Агентные задачи : 6.1 Анти-ИИ уловки : 8.3 Программирование : 10.0 Комбинированный : 10.0 Парсинг и извлечение данных : 6.5 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 8.2 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
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 18 Надежность 10.0 Доля успешных попыток 30.4% Нестабильные тесты 4 Входные токены 349,876 Выходные токены 39,789 Токены рассуждений 0 Время ответа (среднее) 27.42s Время ответа (суммарно) 630.70s Время ответа (макс.) 387.15s Неверный ответ: 13 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Лишнее форматирование: 1 Агентные задачи : 10.0 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
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 5 Надежность 10.0 Доля успешных попыток 81.2% Нестабильные тесты 1 Входные токены 276,512 Выходные токены 8,152 Токены рассуждений 96,444 Время ответа (среднее) 27.34s Время ответа (суммарно) 628.75s Время ответа (макс.) 126.60s Неверный ответ: 4 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.7 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
#56#56	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 73.9% Нестабильные тесты 2 Входные токены 305,707 Выходные токены 10,240 Токены рассуждений 291,479 Время ответа (среднее) 27.02s Время ответа (суммарно) 621.38s Время ответа (макс.) 165.38s Неверный ответ: 4 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 8.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 6.5 Решение головоломок : 7.9 Вызов инструментов : 9.8 Эрудиция : 3.0
#100#100	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 9.6 Доля успешных попыток 81.2% Нестабильные тесты 4 Входные токены 227,164 Выходные токены 20,029 Токены рассуждений 60,991 Время ответа (среднее) 26.88s Время ответа (суммарно) 591.34s Время ответа (макс.) 102.40s Неверный ответ: 3 Нет ответа: 2 Тайм-аут: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 5.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 10.0 Следование инструкциям : 9.9 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 68.1% Нестабильные тесты 4 Входные токены 319,524 Выходные токены 440,835 Токены рассуждений 0 Время ответа (среднее) 26.57s Время ответа (суммарно) 611.09s Время ответа (макс.) 152.83s Неверный ответ: 6 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 1 Нет ответа: 1 Агентные задачи : 7.4 Анти-ИИ уловки : 8.7 Программирование : 8.8 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.0 Следование инструкциям : 9.8 Решение головоломок : 5.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 15 Надежность 10.0 Доля успешных попыток 37.7% Нестабильные тесты 2 Входные токены 463,872 Выходные токены 219,122 Токены рассуждений 0 Время ответа (среднее) 26.52s Время ответа (суммарно) 609.94s Время ответа (макс.) 480.96s Неверный ответ: 14 Недопустимый вызов инструмента: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 3.5 Программирование : 5.5 Комбинированный : 2.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 6.3 Решение головоломок : 3.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 17 Надежность 10.0 Доля успешных попыток 30.4% Нестабильные тесты 3 Входные токены 241,357 Выходные токены 64,021 Токены рассуждений 1 Время ответа (среднее) 26.34s Время ответа (суммарно) 605.78s Время ответа (макс.) 238.89s Неверный ответ: 13 Не соблюдены инструкции: 3 Нет ответа: 1 Агентные задачи : 4.7 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
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 3 Надежность 10.0 Доля успешных попыток 89.9% Нестабильные тесты 1 Входные токены 290,117 Выходные токены 9,805 Токены рассуждений 22,322 Время ответа (среднее) 25.85s Время ответа (суммарно) 594.63s Время ответа (макс.) 90.20s Неверный ответ: 2 Нет ответа: 1 Агентные задачи : 10.0 Анти-ИИ уловки : 10.0 Программирование : 8.4 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
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 88.4% Нестабильные тесты 2 Входные токены 308,056 Выходные токены 9,434 Токены рассуждений 15,572 Время ответа (среднее) 25.68s Время ответа (суммарно) 590.71s Время ответа (макс.) 89.16s 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 : 5.9 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 8.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 4 Надежность 10.0 Доля успешных попыток 82.6% Нестабильные тесты 0 Входные токены 376,421 Выходные токены 67,688 Токены рассуждений 37,974 Время ответа (среднее) 25.31s Время ответа (суммарно) 582.11s Время ответа (макс.) 159.01s Неверный ответ: 2 Лишнее форматирование: 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 : 3.0 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#59#59	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 81.2% Нестабильные тесты 3 Входные токены 262,495 Выходные токены 7,787 Токены рассуждений 86,149 Время ответа (среднее) 25.09s Время ответа (суммарно) 577.14s Время ответа (макс.) 155.75s Неверный ответ: 5 Не соблюдены инструкции: 1 Агентные задачи : 10.0 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
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 68.1% Нестабильные тесты 8 Входные токены 98,508 Выходные токены 8,088 Токены рассуждений 131,484 Время ответа (среднее) 24.96s Время ответа (суммарно) 574.12s Время ответа (макс.) 335.41s Неверный ответ: 10 Ошибка API: 1 Недопустимый вызов инструмента: 1 Агентные задачи : 3.0 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
#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
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
Открыть карточку модели Всего тестов 23 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 75.4% Нестабильные тесты 6 Входные токены 278,792 Выходные токены 1,695 Токены рассуждений 142,270 Время ответа (среднее) 24.79s Время ответа (суммарно) 570.26s Время ответа (макс.) 159.62s Неверный ответ: 6 Не соблюдены инструкции: 1 Нет ответа: 1 Агентные задачи : 4.7 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 4.8 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 11 Надежность 10.0 Доля успешных попыток 47.8% 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 Агентные задачи : 0.0 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

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