AI Benchy 排行榜

Name: AI BENCHY 模型基准结果
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-09-02 已评估模型: 311

311/311

排名	模型	分数	公司	总成本	响应时间（平均）
#67#67	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 69.7% 不稳定测试 4 输入令牌 101,104 输出令牌 29,742 推理令牌 0 响应时间（平均） 7.73s 响应时间（总计） 162.40s 响应时间（最大） 38.52s 答案错误: 6 API 错误: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 63.6% 不稳定测试 2 输入令牌 94,233 输出令牌 7,759 推理令牌 390,132 响应时间（平均） 16.25s 响应时间（总计） 357.39s 响应时间（最大） 318.02s 答案错误: 8 无效工具调用: 1 反AI技巧 : 7.3 编程 : 5.5 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#194#194	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 47.0% 不稳定测试 5 输入令牌 122,854 输出令牌 119,810 推理令牌 698,549 响应时间（平均） 96.61s 响应时间（总计） 2125.51s 响应时间（最大） 540.96s 答案错误: 7 API 错误: 2 未遵循指令: 2 无效工具调用: 2 无答案: 1 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#25#25	Muse Spark 1.3low	9.0	Meta	$0.633	43.67s
查看模型卡片总测试数 22 错误测试数 5 可靠性 9.6 尝试通过率 83.3% 不稳定测试 3 输入令牌 104,966 输出令牌 10,208 推理令牌 107,707 响应时间（平均） 43.67s 响应时间（总计） 960.70s 响应时间（最大） 190.38s 答案错误: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#54#54	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 71.2% 不稳定测试 1 输入令牌 132,507 输出令牌 12,739 推理令牌 228,626 响应时间（平均） 21.14s 响应时间（总计） 465.10s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.4 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#3🥉 #3	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
查看模型卡片总测试数 22 错误测试数 2 可靠性 10.0 尝试通过率 95.5% 不稳定测试 2 输入令牌 86,712 输出令牌 6,017 推理令牌 148,829 响应时间（平均） 12.22s 响应时间（总计） 268.78s 响应时间（最大） 91.63s 答案错误: 2 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#159#159	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 63.6% 不稳定测试 0 输入令牌 110,196 输出令牌 14,717 推理令牌 397,462 响应时间（平均） 16.67s 响应时间（总计） 366.69s 响应时间（最大） 309.35s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#17#17	Gemini 3.8 Flashmedium	9.1	Google	$0.653	14.50s
查看模型卡片总测试数 22 错误测试数 3 可靠性 10.0 尝试通过率 92.4% 不稳定测试 2 输入令牌 95,793 输出令牌 7,066 推理令牌 147,842 响应时间（平均） 14.50s 响应时间（总计） 318.92s 响应时间（最大） 108.60s 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 8.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 8.2 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#45#45	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 3 输入令牌 101,811 输出令牌 8,025 推理令牌 115,938 响应时间（平均） 9.77s 响应时间（总计） 214.83s 响应时间（最大） 47.80s 答案错误: 4 未遵循指令: 3 反AI技巧 : 9.2 编程 : 8.4 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#108#108	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 57.6% 不稳定测试 1 输入令牌 123,273 输出令牌 19,362 推理令牌 0 响应时间（平均） 7.67s 响应时间（总计） 122.78s 响应时间（最大） 51.18s 答案错误: 5 额外格式: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#21#21	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 83.3% 不稳定测试 1 输入令牌 69,756 输出令牌 2,166 推理令牌 60,007 响应时间（平均） 8.48s 响应时间（总计） 186.57s 响应时间（最大） 76.68s 答案错误: 3 未遵循指令: 1 反AI技巧 : 10.0 编程 : 7.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 10.0
#162#162	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 57.6% 不稳定测试 2 输入令牌 85,148 输出令牌 61,736 推理令牌 681,556 响应时间（平均） 58.49s 响应时间（总计） 1169.83s 响应时间（最大） 817.57s 答案错误: 5 API 错误: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 7.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#52#52	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 71.2% 不稳定测试 4 输入令牌 141,878 输出令牌 11,033 推理令牌 105,456 响应时间（平均） 11.89s 响应时间（总计） 261.69s 响应时间（最大） 54.15s 答案错误: 5 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 10.0 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 7.3 谜题求解 : 8.3 工具调用 : 9.8 常识问答 : 3.0
#204#204	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 53.0% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 3.3 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#102#102	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.687 ↓	80.09s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 72,085 输出令牌 57,453 推理令牌 182,093 响应时间（平均） 80.09s 响应时间（总计） 1681.85s 响应时间（最大） 365.80s 答案错误: 6 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 7.3 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.7 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 3.0 常识问答 : 3.0
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
查看模型卡片总测试数 22 错误测试数 1 可靠性 10.0 尝试通过率 98.5% 不稳定测试 1 输入令牌 71,470 输出令牌 3,276 推理令牌 168,709 响应时间（平均） 16.81s 响应时间（总计） 369.88s 响应时间（最大） 104.15s 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 8.2 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#42#42	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 80.3% 不稳定测试 3 输入令牌 99,181 输出令牌 6,132 推理令牌 77,689 响应时间（平均） 21.83s 响应时间（总计） 480.37s 响应时间（最大） 155.75s 答案错误: 5 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#129#129	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
查看模型卡片总测试数 22 错误测试数 10 可靠性 8.1 尝试通过率 65.2% 不稳定测试 4 输入令牌 82,592 输出令牌 16,089 推理令牌 199,800 响应时间（平均） 58.80s 响应时间（总计） 1234.72s 响应时间（最大） 308.75s 答案错误: 4 无答案: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#126#126	Grok 4.3medium	7.0	X AI	$0.741	44.21s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 5 输入令牌 140,244 输出令牌 13,739 推理令牌 212,165 响应时间（平均） 44.21s 响应时间（总计） 972.64s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#140#140	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 5 输入令牌 129,050 输出令牌 20,026 推理令牌 616,923 响应时间（平均） 44.97s 响应时间（总计） 989.32s 响应时间（最大） 578.13s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#196#196	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 66.7% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 反AI技巧 : 8.7 编程 : 3.3 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 0.0
#189#189	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 48.5% 不稳定测试 6 输入令牌 118,486 输出令牌 156,166 推理令牌 860,619 响应时间（平均） 85.44s 响应时间（总计） 1879.75s 响应时间（最大） 525.14s 答案错误: 8 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#6#6	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
查看模型卡片总测试数 22 错误测试数 2 可靠性 10.0 尝试通过率 93.9% 不稳定测试 1 输入令牌 87,870 输出令牌 5,486 推理令牌 234,122 响应时间（平均） 19.86s 响应时间（总计） 436.88s 响应时间（最大） 117.26s 答案错误: 2 反AI技巧 : 10.0 编程 : 8.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#81#81	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
查看模型卡片总测试数 22 错误测试数 9 可靠性 8.5 尝试通过率 77.3% 不稳定测试 6 输入令牌 85,657 输出令牌 8,142 推理令牌 233,167 响应时间（平均） 72.24s 响应时间（总计） 1589.31s 响应时间（最大） 485.92s 答案错误: 6 API 错误: 2 未遵循指令: 1 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#23#23	Qwen3.8 Maxmedium	9.0	Qwen	$0.771	23.34s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 80.3% 不稳定测试 1 输入令牌 109,055 输出令牌 6,566 推理令牌 85,481 响应时间（平均） 23.34s 响应时间（总计） 513.47s 响应时间（最大） 126.60s 答案错误: 4 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0

←

1 9 10 11 13

→

全球基准趋势

了解当前模型如何权衡得分、成本、速度、输出长度和各类别能力。

图表 →

智能与成本的帕累托前沿

领先公司最高得分随时间的变化

智能与响应速度的帕累托前沿

得分与输出令牌的帕累托前沿

各模型的类别难度

快速对比

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