Короче вот вам реальные бенчмарки, от ребят которые реально гоняют через себя миллиарды токенов на рабочих задачах и могут оценивать как каждая из моделей справляется.

Если бы меня попросили собрать топ не по цифрам, а по ощущениям, то я бы собрал примерно тоже самое.

Целиком тут смотрите https://ouroboros-agent.ai/llm-rating/