VibeBench · Evidence Lab PandaiTech

Benchmark untuk kerja sebenar.

Kami menguji model dan pelan AI pada tugas sebenar—supaya team boleh memilih berdasarkan hasil, masa dan kos, bukan leaderboard.

VibeBench menguji apa yang berfungsi. PandaiTech membina apa yang berfungsi.

Terokai benchmark Benchmark workflow anda

Bagaimana kami jalankan ujian ini

Pilih mengikut kerja

Hasil Kerja Sebenar

AI mana, pada kos berapa, boleh menyiapkan kerja ini dengan standard yang diperlukan? Semak output penuh dan tentukan sendiri.

Research & Analysis

A 240-page government report

Tugas: Exploratory Data Analysis Dashboard for Tabung Haji RCI Report
Input: One PDF, 240 pages
Hasil diminta: A website anyone can explore

Output sebenar daripada setiap model dan pelan. Masa, kos setiap run dan tahap semakan manusia hanya akan dipaparkan apabila rekodnya tersedia.

Lihat output penuh

Anthropic Output tersedia

Claude Opus 5 Medium

Claude Code Desktop · Thinking Medium

Pelan semasaClaude Pro · $20/bulan

Lihat output penuh

Anthropic Output tersedia

Claude Opus 5

Claude Code Desktop · Thinking High

Pelan semasaClaude Max · $100/bulan

Lihat output penuh

Anthropic Output tersedia

Claude Opus 5 (v2)

Claude Code Desktop · Thinking High

Pelan semasaClaude Max · $100/bulan

Lihat output penuh

Anthropic Output tersedia

Claude Sonnet 5 (low)

Claude Code Desktop · Thinking Low

Pelan semasaClaude Pro · $20/bulan

Lihat output penuh

OpenAI Output tersedia

GPT-5.6 sol Medium

Codex Desktop · Thinking Medium

Pelan semasaChatGPT Plus · $20/bulan

Lihat output penuh

OpenAI Output tersedia

GPT-5.6 sol

Codex Desktop · Thinking High

Pelan semasaChatGPT Pro · $100/bulan

Lihat output penuh

OpenAI Output tersedia

GPT-5.6 luna Medium

Codex Desktop · Thinking Medium

Pelan semasaChatGPT Plus · $20/bulan

Lihat output penuh

OpenAI Output tersedia

GPT-5.6 luna Max

Codex Desktop · Thinking Max

Pelan semasaPlan to be confirmed

Lihat output penuh

Anthropic + OpenAI Output tersedia

Opus 5 × Luna Max

Claude Code Desktop + Codex Desktop · Sequential handoff

Pelan semasaClaude Max + ChatGPT Pro · $200/bulan

Lihat output penuh

Anthropic + OpenAI Output tersedia

Opus 5 × sol High

Claude Code Desktop + Codex Desktop · Sequential handoff

Pelan semasaClaude Max + ChatGPT Pro · $200/bulan

Lihat output penuh

DeepSeek Output tersedia

DeepSeek V4 Flash High (OpenCode)

OpenCode · Reasoning on

Pelan semasaFree · $0/bulan

Lihat output penuh

DeepSeek Output tersedia

DeepSeek V4 Flash High (Claude Code)

Claude Code Desktop · Reasoning on

Pelan semasaNot recorded

Lihat output penuh

DeepSeek Output tersedia

DeepSeek V4 Flash High (Pi)

Pi · Reasoning on

Pelan semasaNot recorded

Kos sebagai filter kedua

Rujukan Pelan AI

Gunakan rujukan ini selepas anda mengenal pasti kerja dan standard output yang diperlukan. Harga menunjukkan kos langganan bulanan, bukan kos setiap run.

$5

OpenCode Go

Model	Review
DeepSeek V4 Flash (Pi)	Terbaik untuk bajet
DeepSeek V4 Flash (OpenCode)	Tak sebagus Pi
GLM-5.2	Tak sempat siap lagi, dah habis limit
Kimi K3	Tak sempat siap lagi, dah habis limit

$20

ChatGPT Plus

Model	Review
GPT-5.6 Luna Max (Codex)	Terbaik untuk bajet. Hampir sama dengan Claude Opus 5 High dan GPT-5.6 Sol High
GPT-5.6 Terra High (Codex)	Berfungsi dengan baik tetapi tiada apa-apa yang istimewa
GPT-5.6 Sol High (Codex)	Cepat sangat habis limit

Claude Pro

Model	Review
Claude Sonnet 5 High (Claude Code)	Berfungsi dengan baik tetapi tiada apa-apa yang istimewa
Claude Opus 5 High (Claude Code)	Cepat sangat habis limit

$40

ChatGPT Plus + Claude Pro

Model	Review
Claude Opus 5 High + GPT-5.6 Luna Max	Claude Opus 5 High untuk merancang dan mula buat. GPT-5.6 Luna Max untuk mencantikkan page design, membuat penambahbaikan, dan menyiapkan hasil akhir. Gabungan terbaik, cuma Claude Opus 5 High tak boleh digunakan banyak sangat.

$100

ChatGPT Pro (5x)

Model	Review
GPT-5.6 Sol High (Codex)	Terbaik dan berbaloi. Bagus untuk page design

Claude Max (5x)

Model	Review
Claude Opus 5 High (Claude Code)	Terbaik dan berbaloi. Bagus untuk page content

$120

Claude Max (5x) + ChatGPT Plus

Model	Review
Claude Opus 5 High + GPT-5.6 Luna Max	Claude Opus 5 High untuk merancang, mula buat, dan membuat penambahbaikan. GPT-5.6 Luna Max untuk mencantikkan page design dan menyiapkan hasil akhir. Gabungan terbaik.

$200

ChatGPT Pro (20x)

Model	Review
GPT-5.6 Sol Max (Codex)	Terbaik untuk semua

Claude Max (20x)

Model	Review
Claude Opus 5 Max (Claude Code)	Tiada beza dengan Claude Opus 5 High

Uji dahulu sebelum bina

Ada workflow yang company anda sedang pertimbangkan untuk automate?

Kami boleh menguji beberapa approach sebelum anda melabur dalam implementation.

Benchmark a Company Workflow Discuss an AI Implementation