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：: 2026-10-17 已评估模型: 442

442/442

排名	模型	分数	公司	总成本	响应时间（平均）
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.7 尝试通过率 31.9% 不稳定测试 2 输入令牌 257,872 输出令牌 54,388 推理令牌 0 响应时间（平均） 20.43s 响应时间（总计） 469.88s 响应时间（最大） 192.80s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 3.6 编程 : 4.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 6.5 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 31.9% 不稳定测试 1 输入令牌 236,599 输出令牌 11,561 推理令牌 4,975 响应时间（平均） 5.30s 响应时间（总计） 121.91s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 4.5 综合 : 2.9 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 : 6.3 谜题求解 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#198#198	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 56.5% 不稳定测试 4 输入令牌 213,901 输出令牌 9,623 推理令牌 12,414 响应时间（平均） 6.81s 响应时间（总计） 156.70s 响应时间（最大） 44.24s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.1 综合 : 2.9 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 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.7 尝试通过率 78.3% 不稳定测试 2 输入令牌 348,967 输出令牌 1,005 推理令牌 676,075 响应时间（平均） 166.34s 响应时间（总计） 3825.81s 响应时间（最大） 640.85s 未遵循指令: 2 无答案: 2 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.1 综合 : 10.0 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 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 71.0% 不稳定测试 6 输入令牌 231,356 输出令牌 43,054 推理令牌 370,981 响应时间（平均） 88.15s 响应时间（总计） 2027.36s 响应时间（最大） 438.65s 答案错误: 8 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 7.3 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 36.2% 不稳定测试 2 输入令牌 405,921 输出令牌 97,112 推理令牌 0 响应时间（平均） 14.79s 响应时间（总计） 340.25s 响应时间（最大） 212.63s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 3.7 综合 : 5.2 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 : 6.3 谜题求解 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#83#83	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 4 输入令牌 214,645 输出令牌 15,532 推理令牌 103,679 响应时间（平均） 29.42s 响应时间（总计） 676.56s 响应时间（最大） 111.48s 答案错误: 5 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.1 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.5 指令遵循 : 10.0 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#168#168	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.9 尝试通过率 81.2% 不稳定测试 5 输入令牌 215,836 输出令牌 9,452 推理令牌 33,289 响应时间（平均） 7.54s 响应时间（总计） 173.36s 响应时间（最大） 67.18s 答案错误: 6 无答案: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 5.4 综合 : 3.8 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
#261#261	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 68.1% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 44.9% 不稳定测试 10 输入令牌 277,130 输出令牌 45,188 推理令牌 129,163 响应时间（平均） 50.32s 响应时间（总计） 1107.03s 响应时间（最大） 198.82s 答案错误: 6 未遵循指令: 5 无效工具调用: 2 无答案: 2 超时: 2 API 错误: 1 智能体任务 : 4.7 反AI技巧 : 7.9 编程 : 5.7 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#241#241	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 63.8% 不稳定测试 7 输入令牌 253,462 输出令牌 40,269 推理令牌 185,716 响应时间（平均） 56.72s 响应时间（总计） 1304.54s 响应时间（最大） 333.34s 答案错误: 4 额外格式: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#332#332	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 66.7% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 6.0 综合 : 2.3 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#81#81	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.9 尝试通过率 82.6% 不稳定测试 6 输入令牌 296,001 输出令牌 8,105 推理令牌 600,178 响应时间（平均） 49.88s 响应时间（总计） 1147.24s 响应时间（最大） 310.51s 答案错误: 3 未遵循指令: 2 无答案: 2 API 错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 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 : 8.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#51#51	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 89.9% 不稳定测试 3 输入令牌 197,570 输出令牌 6,364 推理令牌 50,704 响应时间（平均） 6.82s 响应时间（总计） 156.81s 响应时间（最大） 48.53s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 7.6 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 : 10.0
#288#288	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 40.6% 不稳定测试 3 输入令牌 213,564 输出令牌 7,381 推理令牌 0 响应时间（平均） 4.11s 响应时间（总计） 94.52s 响应时间（最大） 57.98s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 2.9 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 : 8.5 谜题求解 : 5.3 工具调用 : 9.6 常识问答 : 3.0
#350#350	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 21 错误测试数 7 可靠性不适用尝试通过率 60.9% 不稳定测试 0 输入令牌 28,848 输出令牌 1,490 推理令牌 10,102 响应时间（平均） 9.05s 响应时间（总计） 90.53s 响应时间（最大） 26.24s API 错误: 4 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.0 综合 : 1.5 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 : 10.0 常识问答 : 3.0
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.7 尝试通过率 36.2% 不稳定测试 3 输入令牌 337,756 输出令牌 292,779 推理令牌 0 响应时间（平均） 16.63s 响应时间（总计） 382.53s 响应时间（最大） 247.66s 答案错误: 11 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 反AI技巧 : 3.7 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.7 通用智能 : 5.5 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 2 输入令牌 85,669 输出令牌 6,092 推理令牌 292,801 响应时间（平均） 29.10s 响应时间（总计） 669.40s 响应时间（最大） 122.60s 答案错误: 6 未遵循指令: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 4.8 工具调用 : 3.0 常识问答 : 3.0
#97#97	Qwen3.7 Plusmedium	8.3	Qwen	$0.415 ↓	59.73s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 76.8% 不稳定测试 3 输入令牌 350,546 输出令牌 8,576 推理令牌 206,984 响应时间（平均） 59.73s 响应时间（总计） 1373.73s 响应时间（最大） 315.30s 答案错误: 6 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.1 综合 : 8.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#208#208	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.7 尝试通过率 59.4% 不稳定测试 5 输入令牌 166,517 输出令牌 107,386 推理令牌 217,548 响应时间（平均） 77.03s 响应时间（总计） 1694.74s 响应时间（最大） 431.03s 答案错误: 5 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 3.0 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#238#238	Beam 1.0 501B A23Blow	6.4	Reflection	$0.432	4.89s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 60.9% 不稳定测试 6 输入令牌 218,076 输出令牌 4,863 推理令牌 66,387 响应时间（平均） 4.89s 响应时间（总计） 112.55s 响应时间（最大） 29.49s 答案错误: 6 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 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 : 8.4 谜题求解 : 6.1 工具调用 : 3.0 常识问答 : 3.0
#136#136	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 65.2% 不稳定测试 2 输入令牌 176,539 输出令牌 4,419 推理令牌 195,929 响应时间（平均） 54.06s 响应时间（总计） 1189.36s 响应时间（最大） 203.01s 答案错误: 8 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#113#113	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 75.4% 不稳定测试 6 输入令牌 176,890 输出令牌 5,688 推理令牌 18,525 响应时间（平均） 7.58s 响应时间（总计） 174.39s 响应时间（最大） 54.57s 答案错误: 8 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 72.5% 不稳定测试 5 输入令牌 269,143 输出令牌 6,833 推理令牌 785,200 响应时间（平均） 84.94s 响应时间（总计） 1953.70s 响应时间（最大） 527.47s 答案错误: 4 无答案: 3 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#98#98	Gemini 4 Argonlow	8.2	Google	$0.438	5.72s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 79.7% 不稳定测试 6 输入令牌 188,162 输出令牌 6,097 推理令牌 0 响应时间（平均） 5.72s 响应时间（总计） 131.67s 响应时间（最大） 60.87s 答案错误: 5 API 错误: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.8 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 : 10.0 谜题求解 : 8.7 工具调用 : 4.7 常识问答 : 3.0

←

1 9 10 11 18

→

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 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