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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#157#157	Ember-1low	7.0	Fireworks	$1.488	34.90s
查看模型卡片总测试数 23 错误测试数 10 可靠性 8.8 尝试通过率 65.2% 不稳定测试 5 输入令牌 211,908 输出令牌 14,158 推理令牌 42,608 响应时间（平均） 34.90s 响应时间（总计） 802.79s 响应时间（最大） 121.29s API 错误: 6 答案错误: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 10.0 综合 : 6.5 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 : 6.2 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#156#156	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
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 5 输入令牌 245,179 输出令牌 62,697 推理令牌 196,621 响应时间（平均） 81.18s 响应时间（总计） 1785.87s 响应时间（最大） 365.80s 答案错误: 8 超时: 2 API 错误: 1 未遵循指令: 1 智能体任务 : 5.0 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
#155#155	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
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 60.9% 不稳定测试 0 输入令牌 272,221 输出令牌 12,345 推理令牌 47,189 响应时间（平均） 6.78s 响应时间（总计） 155.96s 响应时间（最大） 54.91s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#154#154	Qwen3.6 Max Previewmedium	7.0	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 79.7% 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 智能体任务 : 0.0 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
#153#153	GPT-5.2 Chatnone	7.0	OpenAI	$0.594	7.43s
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 101,104 输出令牌 29,742 推理令牌 0 响应时间（平均） 7.43s 响应时间（总计） 163.35s 响应时间（最大） 38.52s 答案错误: 6 API 错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 3.0 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
#152#152	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 69.6% 不稳定测试 7 输入令牌 259,664 输出令牌 8,414 推理令牌 333,097 响应时间（平均） 49.20s 响应时间（总计） 1131.69s 响应时间（最大） 316.27s 答案错误: 5 额外格式: 2 无答案: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 综合 : 8.7 数据解析与提取 : 2.7 领域专项 : 3.6 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#151#151	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 66.7% 不稳定测试 6 输入令牌 256,428 输出令牌 9,786 推理令牌 575,630 响应时间（平均） 54.57s 响应时间（总计） 1255.15s 响应时间（最大） 345.18s 答案错误: 5 未遵循指令: 2 无答案: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 8.4 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 8.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#150#150	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 69.6% 不稳定测试 8 输入令牌 205,100 输出令牌 8,639 推理令牌 21,409 响应时间（平均） 7.37s 响应时间（总计） 169.54s 响应时间（最大） 74.39s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 6.0 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.6 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
#149#149	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 55.1% 不稳定测试 1 输入令牌 396,120 输出令牌 31,386 推理令牌 0 响应时间（平均） 10.78s 响应时间（总计） 247.96s 响应时间（最大） 79.61s 答案错误: 7 额外格式: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.4 反AI技巧 : 5.5 编程 : 5.9 综合 : 8.3 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#148#148	Qwen3.6 27Bmedium	7.2	Qwen	$1.006 ↑	107.79s
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 62.3% 不稳定测试 7 输入令牌 264,147 输出令牌 34,419 推理令牌 253,480 响应时间（平均） 107.79s 响应时间（总计） 2479.26s 响应时间（最大） 1085.11s 答案错误: 5 无答案: 3 无效工具调用: 2 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.7 综合 : 6.7 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#147#147	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
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 6 输入令牌 292,685 输出令牌 339,108 推理令牌 0 响应时间（平均） 20.72s 响应时间（总计） 476.67s 响应时间（最大） 124.75s 答案错误: 9 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.7 编程 : 8.2 综合 : 7.3 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#146#146	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
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 76.8% 不稳定测试 5 输入令牌 212,440 输出令牌 22,922 推理令牌 115,335 响应时间（平均） 39.05s 响应时间（总计） 546.68s 响应时间（最大） 110.70s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 5.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#145#145	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 59.4% 不稳定测试 3 输入令牌 287,669 输出令牌 47,204 推理令牌 375,030 响应时间（平均） 144.88s 响应时间（总计） 3332.19s 响应时间（最大） 939.52s 答案错误: 8 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#144#144	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
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 7 输入令牌 293,775 输出令牌 13,527 推理令牌 396,291 响应时间（平均） 45.48s 响应时间（总计） 1045.97s 响应时间（最大） 431.47s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 8.2 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#143#143	Claude Opus 4.8low	7.2	Anthropic	$3.787	17.13s
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 78.3% 不稳定测试 4 输入令牌 409,947 输出令牌 46,060 推理令牌 23,429 响应时间（平均） 17.13s 响应时间（总计） 394.01s 响应时间（最大） 127.97s 答案错误: 5 额外格式: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.6 综合 : 9.9 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#142#142	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
#141#141	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
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 66.7% 不稳定测试 2 输入令牌 277,164 输出令牌 1,913 推理令牌 168,783 响应时间（平均） 40.09s 响应时间（总计） 881.89s 响应时间（最大） 214.63s 答案错误: 4 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 : 10.0 综合 : 8.7 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 8.3 工具调用 : 3.0 常识问答 : 3.0
#140#140	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
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 72.5% 不稳定测试 6 输入令牌 249,486 输出令牌 14,481 推理令牌 288,249 响应时间（平均） 97.68s 响应时间（总计） 1562.81s 响应时间（最大） 304.85s 答案错误: 6 超时: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 6.6 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#139#139	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 47.8% 不稳定测试 2 输入令牌 283,977 输出令牌 36,422 推理令牌 0 响应时间（平均） 9.98s 响应时间（总计） 229.52s 响应时间（最大） 124.53s 答案错误: 11 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 5.8 综合 : 6.4 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 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#138#138	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
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 76.8% 不稳定测试 7 输入令牌 388,307 输出令牌 10,412 推理令牌 118,802 响应时间（平均） 8.68s 响应时间（总计） 199.65s 响应时间（最大） 86.92s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#137#137	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 69.6% 不稳定测试 3 输入令牌 222,601 输出令牌 8,185 推理令牌 238,605 响应时间（平均） 57.41s 响应时间（总计） 1263.02s 响应时间（最大） 307.08s 答案错误: 6 API 错误: 1 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#135#135	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 68.1% 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） 20.51s 响应时间（总计） 471.64s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 2 智能体任务 : 3.0 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
#136#136	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 53.6% 不稳定测试 4 输入令牌 275,080 输出令牌 32,447 推理令牌 372,188 响应时间（平均） 151.67s 响应时间（总计） 3488.43s 响应时间（最大） 941.66s 答案错误: 7 未遵循指令: 2 无答案: 2 超时: 2 智能体任务 : 10.0 反AI技巧 : 8.9 编程 : 7.8 综合 : 10.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#134#134	Grok 4.7medium	7.3	X AI	$2.938	117.65s
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 78.3% 不稳定测试 5 输入令牌 326,066 输出令牌 5,726 推理令牌 469,019 响应时间（平均） 117.65s 响应时间（总计） 2706.03s 响应时间（最大） 660.89s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#133#133	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 78.3% 不稳定测试 6 输入令牌 157,142 输出令牌 8,149 推理令牌 24,357 响应时间（平均） 11.87s 响应时间（总计） 272.91s 响应时间（最大） 36.59s 答案错误: 3 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.0 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 : 7.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 2.8

←

1 9 10 11 16

→

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