AI Benchy لیڈر بورڈ

Name: AI BENCHY ماڈل بینچ مارک نتائج
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

بینچ مارکس AI BENCHY ٹیسٹ سوئٹس سے اس وقت تیار کیے گئے: 2026-09-02 جانچے گئے ماڈلز: 311

تجویز کردہ ماڈلز

GPT-5.6 Sol high ذہین فی کوشش کامیابی کی شرح 89.4% درست ٹیسٹس 18 / 22 اسکور 9.4/10 GPT-5.6 Luna medium تیز ردِعمل کا وقت (اوسط) 7.43s کل آؤٹ پٹ ٹوکنز 44,525 اسکور 7.4/10 DeepSeek V4 Flash 0731 high کم قیمت ان پٹ قیمت $0.065 / 1M آؤٹ پٹ قیمت $0.180 / 1M اسکور 8.0/10

311/311

درجہ	ماڈل	اسکور	کمپنی	کل لاگت	ردِعمل کا وقت (اوسط)
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 8 اعتماد پذیری 9.4 فی کوشش کامیابی کی شرح 74.2% غیر مستحکم ٹیسٹ 4 ان پٹ ٹوکنز 108,931 آؤٹ پٹ ٹوکنز 112,801 ریزننگ ٹوکنز 343,227 ردِعمل کا وقت (اوسط) 120.59s ردِعمل کا وقت (کل) 2653.05s ردِعمل کا وقت (زیادہ سے زیادہ) 532.28s غلط جواب: 3 ہدایات پر عمل نہیں کیا: 2 کوئی جواب نہیں: 2 غیر معتبر ٹول کال: 1 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 5.9 مشترکہ : 6.9 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 4.1 عمومی ذہانت : 6.1 ہدایات کی پیروی : 9.8 پہیلی حل کرنا : 10.0 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 11 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 56.1% غیر مستحکم ٹیسٹ 2 ان پٹ ٹوکنز 134,582 آؤٹ پٹ ٹوکنز 8,955 ریزننگ ٹوکنز 15,420 ردِعمل کا وقت (اوسط) 10.33s ردِعمل کا وقت (کل) 227.37s ردِعمل کا وقت (زیادہ سے زیادہ) 33.10s اضافی فارمیٹنگ: 4 غلط جواب: 4 ہدایات پر عمل نہیں کیا: 3 اینٹی اے آئی چالیں : 6.5 کوڈنگ : 3.4 مشترکہ : 10.0 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 4.1 عمومی ذہانت : 10.0 ہدایات کی پیروی : 6.5 پہیلی حل کرنا : 7.7 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 7 اعتماد پذیری 9.4 فی کوشش کامیابی کی شرح 72.7% غیر مستحکم ٹیسٹ 2 ان پٹ ٹوکنز 113,279 آؤٹ پٹ ٹوکنز 121,045 ریزننگ ٹوکنز 374,496 ردِعمل کا وقت (اوسط) 118.97s ردِعمل کا وقت (کل) 2617.41s ردِعمل کا وقت (زیادہ سے زیادہ) 534.21s غلط جواب: 4 کوئی جواب نہیں: 2 غیر معتبر ٹول کال: 1 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 7.8 مشترکہ : 8.2 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 3.2 عمومی ذہانت : 6.1 ہدایات کی پیروی : 9.8 پہیلی حل کرنا : 10.0 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#53#53	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 7 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 81.8% غیر مستحکم ٹیسٹ 6 ان پٹ ٹوکنز 135,112 آؤٹ پٹ ٹوکنز 7,594 ریزننگ ٹوکنز 23,558 ردِعمل کا وقت (اوسط) 11.67s ردِعمل کا وقت (کل) 256.73s ردِعمل کا وقت (زیادہ سے زیادہ) 36.59s غلط جواب: 3 کوئی جواب نہیں: 2 اضافی فارمیٹنگ: 1 ہدایات پر عمل نہیں کیا: 1 اینٹی اے آئی چالیں : 8.2 کوڈنگ : 7.0 مشترکہ : 10.0 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 7.7 عمومی ذہانت : 10.0 ہدایات کی پیروی : 7.3 پہیلی حل کرنا : 7.6 ٹول کالنگ : 10.0 معلومات عامہ : 2.8
#82#82	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 9 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 63.6% غیر مستحکم ٹیسٹ 3 ان پٹ ٹوکنز 108,573 آؤٹ پٹ ٹوکنز 69,994 ریزننگ ٹوکنز 26,728 ردِعمل کا وقت (اوسط) 32.23s ردِعمل کا وقت (کل) 515.65s ردِعمل کا وقت (زیادہ سے زیادہ) 151.51s اضافی فارمیٹنگ: 4 غلط جواب: 4 ہدایات پر عمل نہیں کیا: 1 اینٹی اے آئی چالیں : 6.4 کوڈنگ : 5.7 مشترکہ : 10.0 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 3.0 عمومی ذہانت : 10.0 ہدایات کی پیروی : 10.0 پہیلی حل کرنا : 7.7 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#40#40	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 5 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 78.8% غیر مستحکم ٹیسٹ 1 ان پٹ ٹوکنز 89,640 آؤٹ پٹ ٹوکنز 33,092 ریزننگ ٹوکنز 9,054 ردِعمل کا وقت (اوسط) 15.01s ردِعمل کا وقت (کل) 330.15s ردِعمل کا وقت (زیادہ سے زیادہ) 80.80s کوئی جواب نہیں: 3 غیر معتبر ٹول کال: 1 غلط جواب: 1 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 10.0 مشترکہ : 6.5 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 5.3 عمومی ذہانت : 10.0 ہدایات کی پیروی : 10.0 پہیلی حل کرنا : 7.7 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#15#15	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 4 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 81.8% غیر مستحکم ٹیسٹ 0 ان پٹ ٹوکنز 135,956 آؤٹ پٹ ٹوکنز 64,624 ریزننگ ٹوکنز 30,959 ردِعمل کا وقت (اوسط) 22.51s ردِعمل کا وقت (کل) 495.12s ردِعمل کا وقت (زیادہ سے زیادہ) 159.01s غلط جواب: 2 اضافی فارمیٹنگ: 1 کوئی جواب نہیں: 1 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 10.0 مشترکہ : 10.0 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 3.0 عمومی ذہانت : 10.0 ہدایات کی پیروی : 10.0 پہیلی حل کرنا : 10.0 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 3 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 89.4% غیر مستحکم ٹیسٹ 1 ان پٹ ٹوکنز 135,958 آؤٹ پٹ ٹوکنز 7,930 ریزننگ ٹوکنز 32,141 ردِعمل کا وقت (اوسط) 13.59s ردِعمل کا وقت (کل) 298.90s ردِعمل کا وقت (زیادہ سے زیادہ) 40.17s غلط جواب: 3 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 8.4 مشترکہ : 10.0 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 7.7 عمومی ذہانت : 10.0 ہدایات کی پیروی : 10.0 پہیلی حل کرنا : 10.0 ٹول کالنگ : 10.0 معلومات عامہ : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 6 اعتماد پذیری 9.0 فی کوشش کامیابی کی شرح 77.3% غیر مستحکم ٹیسٹ 2 ان پٹ ٹوکنز 34,960 آؤٹ پٹ ٹوکنز 2,887 ریزننگ ٹوکنز 221,241 ردِعمل کا وقت (اوسط) 142.84s ردِعمل کا وقت (کل) 2714.02s ردِعمل کا وقت (زیادہ سے زیادہ) 766.58s API خرابی: 2 کوئی جواب نہیں: 2 اضافی فارمیٹنگ: 1 ٹائم آؤٹ: 1 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 10.0 مشترکہ : 6.5 ڈیٹا پارسنگ اور استخراج : 7.3 ڈومین مخصوص : 5.3 عمومی ذہانت : 10.0 ہدایات کی پیروی : 10.0 پہیلی حل کرنا : 10.0 ٹول کالنگ : 3.0 معلومات عامہ : 3.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
ماڈل کارڈ دیکھیں کل ٹیسٹس 22 غلط ٹیسٹس 4 اعتماد پذیری 10.0 فی کوشش کامیابی کی شرح 87.9% غیر مستحکم ٹیسٹ 3 ان پٹ ٹوکنز 80,668 آؤٹ پٹ ٹوکنز 5,617 ریزننگ ٹوکنز 119,699 ردِعمل کا وقت (اوسط) 38.97s ردِعمل کا وقت (کل) 857.43s ردِعمل کا وقت (زیادہ سے زیادہ) 332.10s غلط جواب: 4 اینٹی اے آئی چالیں : 10.0 کوڈنگ : 8.8 مشترکہ : 10.0 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 5.3 عمومی ذہانت : 10.0 ہدایات کی پیروی : 10.0 پہیلی حل کرنا : 10.0 ٹول کالنگ : 10.0 معلومات عامہ : 2.8
#273#273	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
ماڈل کارڈ دیکھیں کل ٹیسٹس 18 غلط ٹیسٹس 10 اعتماد پذیری دستیاب نہیں فی کوشش کامیابی کی شرح 48.5% غیر مستحکم ٹیسٹ 5 ان پٹ ٹوکنز 721,952 آؤٹ پٹ ٹوکنز 294,668 ریزننگ ٹوکنز 305,374 ردِعمل کا وقت (اوسط) 9.69s ردِعمل کا وقت (کل) 155.07s ردِعمل کا وقت (زیادہ سے زیادہ) 35.28s غلط جواب: 4 API خرابی: 2 اضافی فارمیٹنگ: 2 ہدایات پر عمل نہیں کیا: 2 اینٹی اے آئی چالیں : 6.9 کوڈنگ : 3.3 مشترکہ : 1.5 ڈیٹا پارسنگ اور استخراج : 10.0 ڈومین مخصوص : 2.9 عمومی ذہانت : 5.8 ہدایات کی پیروی : 9.8 پہیلی حل کرنا : 6.7 ٹول کالنگ : 3.0 معلومات عامہ : 0.0

←

1 12 13

عالمی بینچ مارک رجحانات

دیکھیں کہ موجودہ ماڈلز اسکور، لاگت، رفتار، آؤٹ پٹ کی لمبائی اور زمرہ وار کارکردگی میں کیسے توازن رکھتے ہیں۔

چارٹس →

ذہانت بمقابلہ لاگت کی پیریٹو حد

نمایاں کمپنیوں کے بہترین اسکور کی وقت کے ساتھ پیش رفت

ذہانت بمقابلہ جواب کی رفتار کی پیریٹو حد

اسکور بمقابلہ آؤٹ پٹ ٹوکنز پیریٹو فرنٹیئر

تمام ماڈلز میں زمروں کی مشکل

فوری موازنہ

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