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）
#166#166	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 118,998 输出令牌 30,750 推理令牌 491,730 响应时间（平均） 48.18s 响应时间（总计） 1059.93s 响应时间（最大） 422.72s 答案错误: 10 无答案: 2 无效工具调用: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#147#147	MiMo-V2.5-Promedium	6.8	Xiaomi	$0.221 ↓	48.68s
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 6 输入令牌 139,892 输出令牌 15,569 推理令牌 169,897 响应时间（平均） 48.68s 响应时间（总计） 1071.02s 响应时间（最大） 333.34s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 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
#84#84	DeepSeek V4 Flash 0423high	7.6	DeepSeek	$0.039 ↓	51.81s
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 108,480 输出令牌 37,229 推理令牌 174,081 响应时间（平均） 51.81s 响应时间（总计） 1139.75s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 8.3 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#269#269	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 7,608 输出令牌 40,277 推理令牌 0 响应时间（平均） 51.99s 响应时间（总计） 831.90s 响应时间（最大） 143.82s API 错误: 6 答案错误: 5 未遵循指令: 2 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#35#35	GLM 5.3 Flashmax	8.7	Z.ai	$0.059	52.10s
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 81.8% 不稳定测试 3 输入令牌 96,873 输出令牌 7,637 推理令牌 196,703 响应时间（平均） 52.10s 响应时间（总计） 1146.24s 响应时间（最大） 333.47s 答案错误: 2 额外格式: 1 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 : 10.0 综合 : 7.3 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#212#212	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
查看模型卡片总测试数 22 错误测试数 14 可靠性 9.1 尝试通过率 40.9% 不稳定测试 3 输入令牌 81,438 输出令牌 17,674 推理令牌 97,900 响应时间（平均） 52.31s 响应时间（总计） 1046.21s 响应时间（最大） 431.98s 答案错误: 5 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#70#70	Qwen3.7 Plusmedium	7.9	Qwen	$0.277 ↓	53.51s
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 75.8% 不稳定测试 3 输入令牌 115,242 输出令牌 6,163 推理令牌 181,174 响应时间（平均） 53.51s 响应时间（总计） 1177.25s 响应时间（最大） 315.30s 答案错误: 5 无效工具调用: 1 超时: 1 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
#199#199	GPT-5 Nanomedium	6.0	OpenAI	$0.118	54.20s
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 54.5% 不稳定测试 9 输入令牌 94,944 输出令牌 12,037 推理令牌 270,400 响应时间（平均） 54.20s 响应时间（总计） 867.23s 响应时间（最大） 227.89s 答案错误: 10 未遵循指令: 2 无答案: 1 超时: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 6.4 数据解析与提取 : 3.7 领域专项 : 3.4 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#253#253	Granite 4.2 8Blow	5.1	IBM Granite	$0.012	54.36s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.0 尝试通过率 31.8% 不稳定测试 0 输入令牌 74,721 输出令牌 9,205 推理令牌 18,723 响应时间（平均） 54.36s 响应时间（总计） 1195.97s 响应时间（最大） 566.80s 答案错误: 10 超时: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#98#98	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
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 60.6% 不稳定测试 1 输入令牌 106,946 输出令牌 7,993 推理令牌 503,413 响应时间（平均） 54.50s 响应时间（总计） 1199.07s 响应时间（最大） 252.69s 答案错误: 6 额外格式: 3 反AI技巧 : 8.3 编程 : 5.7 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#205#205	Hy3 previewhigh	5.9	Tencent	$0.135 ↕	56.57s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 53.0% 不稳定测试 2 输入令牌 25,987 输出令牌 216,719 推理令牌 0 响应时间（平均） 56.57s 响应时间（总计） 848.59s 响应时间（最大） 149.94s API 错误: 7 答案错误: 3 反AI技巧 : 6.4 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#227#227	Nemotron 3.5 Lightninghigh	5.6	NVIDIA	$0.134 ↕	58.26s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.9 尝试通过率 50.0% 不稳定测试 12 输入令牌 118,016 输出令牌 148,344 推理令牌 506,253 响应时间（平均） 58.26s 响应时间（总计） 1281.79s 响应时间（最大） 285.26s 答案错误: 11 未遵循指令: 4 额外格式: 1 无效工具调用: 1 反AI技巧 : 5.5 编程 : 4.4 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.7 指令遵循 : 8.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#234#234	Laguna S 2.1medium	5.4	Poolside	$0.053 ↓	58.42s
查看模型卡片总测试数 22 错误测试数 18 可靠性 10.0 尝试通过率 24.2% 不稳定测试 3 输入令牌 86,647 输出令牌 97,298 推理令牌 242,297 响应时间（平均） 58.42s 响应时间（总计） 1285.26s 响应时间（最大） 560.31s 答案错误: 13 无效工具调用: 2 无答案: 2 未遵循指令: 1 反AI技巧 : 3.4 编程 : 5.3 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 4.2 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#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
#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
#270#270	Nemotron 3.5 Lightninglow	4.8	NVIDIA	$0.140 ↕	59.81s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.8 尝试通过率 42.4% 不稳定测试 9 输入令牌 138,792 输出令牌 142,972 推理令牌 522,202 响应时间（平均） 59.81s 响应时间（总计） 1315.80s 响应时间（最大） 312.21s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#170#170	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 57.6% 不稳定测试 5 输入令牌 113,889 输出令牌 110,550 推理令牌 496,487 响应时间（平均） 61.81s 响应时间（总计） 1359.72s 响应时间（最大） 417.36s 答案错误: 7 未遵循指令: 2 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 7.9 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#219#219	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
查看模型卡片总测试数 18 错误测试数 8 可靠性 10.0 尝试通过率 56.1% 不稳定测试 4 输入令牌 29,134 输出令牌 1,984 推理令牌 1,355,583 响应时间（平均） 61.96s 响应时间（总计） 1115.31s 响应时间（最大） 149.23s 答案错误: 4 未遵循指令: 3 无答案: 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 : 3.6 通用智能 : 5.0 指令遵循 : 7.3 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 0.0
#59#59	Inklinghigh	8.0	Thinkingmachines	$1.046	62.57s
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 86,755 输出令牌 6,057 推理令牌 230,570 响应时间（平均） 62.57s 响应时间（总计） 1376.46s 响应时间（最大） 327.51s 答案错误: 4 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.5 综合 : 7.3 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 : 9.8 谜题求解 : 6.9 工具调用 : 3.0 常识问答 : 3.0
#122#122	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
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 71.2% 不稳定测试 4 输入令牌 124,780 输出令牌 47,694 推理令牌 439,825 响应时间（平均） 65.67s 响应时间（总计） 1444.68s 响应时间（最大） 519.30s 答案错误: 5 超时: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#302#302	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.6 尝试通过率 19.7% 不稳定测试 1 输入令牌 99,662 输出令牌 146,555 推理令牌 732,977 响应时间（平均） 66.16s 响应时间（总计） 1389.33s 响应时间（最大） 252.08s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 6.6 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#41#41	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
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 83.3% 不稳定测试 2 输入令牌 79,249 输出令牌 5,097 推理令牌 165,276 响应时间（平均） 66.52s 响应时间（总计） 1463.50s 响应时间（最大） 238.07s 答案错误: 4 超时: 1 反AI技巧 : 10.0 编程 : 8.8 综合 : 7.3 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#118#118	Muse Glimmer 30Bhigh	7.2	Meta	$0.430 ↓	66.70s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 8 输入令牌 103,494 输出令牌 100,589 推理令牌 270,217 响应时间（平均） 66.70s 响应时间（总计） 1467.39s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 反AI技巧 : 8.7 编程 : 8.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 8.4 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 3.0
#203#203	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
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 57.6% 不稳定测试 8 输入令牌 94,639 输出令牌 108,013 推理令牌 571,526 响应时间（平均） 67.13s 响应时间（总计） 1476.95s 响应时间（最大） 459.19s 答案错误: 9 未遵循指令: 2 无答案: 2 额外格式: 1 反AI技巧 : 8.7 编程 : 4.2 综合 : 9.9 数据解析与提取 : 4.5 领域专项 : 3.6 通用智能 : 3.8 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#171#171	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 59.1% 不稳定测试 6 输入令牌 127,621 输出令牌 141,858 推理令牌 590,204 响应时间（平均） 67.81s 响应时间（总计） 1491.80s 响应时间（最大） 480.52s 答案错误: 8 无答案: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 5.8 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 8.3 谜题求解 : 5.5 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