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）
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.3 尝试通过率 42.0% 不稳定测试 9 输入令牌 188,239 输出令牌 27,822 推理令牌 262,674 响应时间（平均） 102.32s 响应时间（总计） 1637.05s 响应时间（最大） 600.81s 答案错误: 7 超时: 5 未遵循指令: 3 无答案: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.9 编程 : 3.4 综合 : 3.7 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#164#164	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
#173#173	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
#118#118	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
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 69.6% 不稳定测试 0 输入令牌 243,553 输出令牌 20,670 推理令牌 0 响应时间（平均） 7.85s 响应时间（总计） 180.65s 响应时间（最大） 80.34s 答案错误: 7 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 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 : 3.0
#228#228	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 47.8% 不稳定测试 5 输入令牌 258,956 输出令牌 20,076 推理令牌 0 响应时间（平均） 11.10s 响应时间（总计） 255.39s 响应时间（最大） 107.19s 答案错误: 12 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 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 : 7.7 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
#16#16	GPT-6.1 Sollow	9.6	OpenAI	$0.460	7.15s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 92.8% 不稳定测试 1 输入令牌 163,900 输出令牌 4,958 推理令牌 8,180 响应时间（平均） 7.15s 响应时间（总计） 164.47s 响应时间（最大） 46.57s 答案错误: 2 智能体任务 : 10.0 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 : 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 : 2.8
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
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 72.5% 不稳定测试 8 输入令牌 274,189 输出令牌 66,689 推理令牌 510,525 响应时间（平均） 94.16s 响应时间（总计） 2165.72s 响应时间（最大） 303.26s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 6.4 综合 : 7.3 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 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#69#69	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 87.0% 不稳定测试 4 输入令牌 172,359 输出令牌 5,026 推理令牌 8,185 响应时间（平均） 8.72s 响应时间（总计） 200.61s 响应时间（最大） 48.43s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 4.7
#172#172	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
#101#101	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
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 71.0% 不稳定测试 2 输入令牌 172,507 输出令牌 5,824 推理令牌 27,365 响应时间（平均） 8.93s 响应时间（总计） 205.39s 响应时间（最大） 54.74s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 30.4% 不稳定测试 3 输入令牌 241,357 输出令牌 64,021 推理令牌 1 响应时间（平均） 26.34s 响应时间（总计） 605.78s 响应时间（最大） 238.89s 答案错误: 13 未遵循指令: 3 无答案: 1 智能体任务 : 4.7 反AI技巧 : 4.6 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 73.9% 不稳定测试 4 输入令牌 266,849 输出令牌 8,284 推理令牌 363,263 响应时间（平均） 28.04s 响应时间（总计） 645.03s 响应时间（最大） 149.84s 答案错误: 7 API 错误: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
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 7 输入令牌 219,811 输出令牌 8,811 推理令牌 59,671 响应时间（平均） 28.38s 响应时间（总计） 652.78s 响应时间（最大） 159.91s 答案错误: 6 额外格式: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.6 综合 : 6.4 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#220#220	Beam 1.0 501B A23Bmedium	6.6	Reflection	$0.499	6.27s
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 65.2% 不稳定测试 2 输入令牌 202,937 输出令牌 4,328 推理令牌 94,193 响应时间（平均） 6.27s 响应时间（总计） 144.28s 响应时间（最大） 31.55s 答案错误: 6 API 错误: 3 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 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#314#314	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 69.6% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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 : 3.0
#133#133	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
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 66.7% 不稳定测试 8 输入令牌 281,859 输出令牌 102,526 推理令牌 286,217 响应时间（平均） 69.87s 响应时间（总计） 1607.12s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 智能体任务 : 10.0 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
#229#229	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
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 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 21.21s 响应时间（总计） 487.83s 响应时间（最大） 199.97s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#240#240	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
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 58.0% 不稳定测试 1 输入令牌 230,004 输出令牌 18,040 推理令牌 0 响应时间（平均） 4.67s 响应时间（总计） 107.45s 响应时间（最大） 49.23s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 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 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#80#80	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
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 85.5% 不稳定测试 1 输入令牌 487,516 输出令牌 10,212 推理令牌 909,487 响应时间（平均） 61.71s 响应时间（总计） 1419.40s 响应时间（最大） 288.94s 无答案: 3 答案错误: 1 智能体任务 : 4.7 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 : 5.3 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
#156#156	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
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 75.4% 不稳定测试 5 输入令牌 257,138 输出令牌 13,830 推理令牌 55,775 响应时间（平均） 16.98s 响应时间（总计） 390.45s 响应时间（最大） 85.12s 答案错误: 5 无效工具调用: 2 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.7 编程 : 8.4 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 95.7% 不稳定测试 2 输入令牌 233,400 输出令牌 6,922 推理令牌 173,178 响应时间（平均） 15.10s 响应时间（总计） 347.23s 响应时间（最大） 91.63s 答案错误: 2 智能体任务 : 10.0 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
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 172,860 输出令牌 5,172 推理令牌 13,179 响应时间（平均） 8.90s 响应时间（总计） 204.78s 响应时间（最大） 51.03s 答案错误: 2 智能体任务 : 10.0 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 : 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 : 4.7
#210#210	GPT 5.3 Chatdefault	6.7	OpenAI	$0.533	6.31s
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 62.3% 不稳定测试 4 输入令牌 78,846 输出令牌 7,635 推理令牌 20,544 响应时间（平均） 6.31s 响应时间（总计） 138.73s 响应时间（最大） 18.33s 答案错误: 6 API 错误: 2 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 6.7 编程 : 5.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 42.0% 不稳定测试 4 输入令牌 11,793 输出令牌 1,809 推理令牌 265,466 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 1.5 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0

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

AI Benchy 排行榜

推荐模型

筛选模型

全球基准趋势

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