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）
#179#179	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
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
查看模型卡片总测试数 23 错误测试数 11 可靠性 8.6 尝试通过率 71.0% 不稳定测试 8 输入令牌 195,489 输出令牌 12,475 推理令牌 108,748 响应时间（平均） 58.14s 响应时间（总计） 1337.19s 响应时间（最大） 255.06s API 错误: 7 答案错误: 2 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 8.2 综合 : 6.4 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 : 7.1 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
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 60.9% 不稳定测试 4 输入令牌 226,880 输出令牌 65,346 推理令牌 331,325 响应时间（平均） 121.25s 响应时间（总计） 2667.55s 响应时间（最大） 876.20s 答案错误: 4 超时: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.0 编程 : 5.7 综合 : 6.9 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 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
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 349,177 输出令牌 54,279 推理令牌 477,389 响应时间（平均） 83.68s 响应时间（总计） 1840.92s 响应时间（最大） 515.38s 答案错误: 5 超时: 3 API 错误: 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 : 10.0 编程 : 3.7 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 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
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 58.0% 不稳定测试 2 输入令牌 150,033 输出令牌 22,347 推理令牌 402,143 响应时间（平均） 142.76s 响应时间（总计） 3283.43s 响应时间（最大） 491.42s 答案错误: 5 未遵循指令: 3 无答案: 2 额外格式: 1 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 5.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 8.9 工具调用 : 10.0 常识问答 : 3.0
#211#211	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 60.9% 不稳定测试 3 输入令牌 207,852 输出令牌 5,555 推理令牌 0 响应时间（平均） 4.61s 响应时间（总计） 105.93s 响应时间（最大） 58.28s 答案错误: 10 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#214#214	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
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 56.5% 不稳定测试 2 输入令牌 205,108 输出令牌 6,197 推理令牌 0 响应时间（平均） 4.75s 响应时间（总计） 109.31s 响应时间（最大） 57.53s 答案错误: 11 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 5.5 综合 : 6.5 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#223#223	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
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 58.0% 不稳定测试 3 输入令牌 282,192 输出令牌 75,306 推理令牌 700,868 响应时间（平均） 59.92s 响应时间（总计） 1258.32s 响应时间（最大） 817.57s 答案错误: 6 API 错误: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 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
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 65.2% 不稳定测试 6 输入令牌 298,512 输出令牌 3,178 推理令牌 177,419 响应时间（平均） 7.61s 响应时间（总计） 175.08s 响应时间（最大） 86.84s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 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 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#225#225	Mercury 2.5high	6.5	Inception	$0.044	7.62s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.8 尝试通过率 59.4% 不稳定测试 4 输入令牌 358,562 输出令牌 4,266 推理令牌 189,410 响应时间（平均） 7.62s 响应时间（总计） 175.36s 响应时间（最大） 80.30s 答案错误: 9 API 错误: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.4 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 6.5 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
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 63.8% 不稳定测试 5 输入令牌 212,065 输出令牌 4,428 推理令牌 154,069 响应时间（平均） 9.18s 响应时间（总计） 211.12s 响应时间（最大） 44.64s 答案错误: 8 API 错误: 3 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#227#227	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
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 63.8% 不稳定测试 5 输入令牌 247,871 输出令牌 10,791 推理令牌 17,315 响应时间（平均） 15.18s 响应时间（总计） 349.06s 响应时间（最大） 83.60s 答案错误: 8 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.2 反AI技巧 : 6.9 编程 : 6.2 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#230#230	Grok 4.3medium	6.5	X AI	$0.989	44.53s
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 63.8% 不稳定测试 5 输入令牌 325,471 输出令牌 14,867 推理令牌 217,675 响应时间（平均） 44.53s 响应时间（总计） 1024.25s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 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
#234#234	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
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 56.5% 不稳定测试 2 输入令牌 199,105 输出令牌 4,274 推理令牌 195,495 响应时间（平均） 11.10s 响应时间（总计） 255.26s 响应时间（最大） 54.48s 答案错误: 6 API 错误: 3 未遵循指令: 2 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 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 3.0 常识问答 : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 60.9% 不稳定测试 5 输入令牌 299,558 输出令牌 33,248 推理令牌 374,819 响应时间（平均） 133.93s 响应时间（总计） 3080.36s 响应时间（最大） 519.91s 答案错误: 6 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 5 输入令牌 317,982 输出令牌 3,918 推理令牌 135,028 响应时间（平均） 7.74s 响应时间（总计） 178.07s 响应时间（最大） 107.89s 答案错误: 9 API 错误: 1 超时: 1 智能体任务 : 4.7 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 : 3.6 通用智能 : 4.4 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#247#247	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 275,779 输出令牌 14,401 推理令牌 25,511 响应时间（平均） 4.79s 响应时间（总计） 110.24s 响应时间（最大） 53.91s 答案错误: 9 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 9.0 编程 : 4.3 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 4.7
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 66.7% 不稳定测试 6 输入令牌 271,890 输出令牌 190,841 推理令牌 513,329 响应时间（平均） 85.22s 响应时间（总计） 1960.12s 响应时间（最大） 432.81s 无答案: 4 未遵循指令: 3 答案错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.6 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 8.9 工具调用 : 4.7 常识问答 : 3.0
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 261,962 输出令牌 12,799 推理令牌 2,961 响应时间（平均） 3.60s 响应时间（总计） 82.91s 响应时间（最大） 48.59s 答案错误: 8 未遵循指令: 2 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 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
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.8 尝试通过率 60.9% 不稳定测试 4 输入令牌 132,044 输出令牌 92,135 推理令牌 207,321 响应时间（平均） 13.08s 响应时间（总计） 287.79s 响应时间（最大） 75.27s 答案错误: 7 API 错误: 2 无效工具调用: 2 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 6.7 综合 : 2.9 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#312#312	GLM 5V Turbomedium	5.5	Z.ai	$0.457	23.08s
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 62.3% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 7.2 编程 : 6.0 综合 : 3.4 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 : 7.0 常识问答 : 3.0
#356#356	Hy3 previewhigh	4.8	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 50.7% 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 智能体任务 : 0.0 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
#275#275	Claude Sonnet 4.6none	6.0	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 55.1% 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 智能体任务 : 0.0 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
#366#366	Gemini 3.1 Flash Litehigh	4.6	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 53.6% 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 智能体任务 : 0.0 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
#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

←

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