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）
#97#97	GPT-5.4 Minimedium	7.5	OpenAI	$0.786	26.72s
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 68.2% 不稳定测试 5 输入令牌 97,164 输出令牌 6,211 推理令牌 152,133 响应时间（平均） 26.72s 响应时间（总计） 587.90s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.6 编程 : 8.4 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#132#132	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
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 60.6% 不稳定测试 5 输入令牌 102,986 输出令牌 5,860 推理令牌 264,399 响应时间（平均） 32.56s 响应时间（总计） 716.36s 响应时间（最大） 199.66s 答案错误: 6 额外格式: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#65#65	GPT-5.6 Terrahigh	8.0	OpenAI	$0.836 ↓	11.22s
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 68.2% 不稳定测试 2 输入令牌 81,056 输出令牌 5,055 推理令牌 51,033 响应时间（平均） 11.22s 响应时间（总计） 246.77s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 反AI技巧 : 8.3 编程 : 7.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#55#55	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
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 145,953 输出令牌 52,330 推理令牌 10,874 响应时间（平均） 12.54s 响应时间（总计） 275.90s 响应时间（最大） 66.71s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 9.0 综合 : 7.3 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#47#47	Grok 4.5low	8.4	X AI	$0.945	16.17s
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 77.3% 不稳定测试 2 输入令牌 125,605 输出令牌 7,505 推理令牌 107,984 响应时间（平均） 16.17s 响应时间（总计） 355.67s 响应时间（最大） 205.28s 答案错误: 6 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#95#95	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
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 75.8% 不稳定测试 6 输入令牌 111,644 输出令牌 16,113 推理令牌 598,796 响应时间（平均） 113.28s 响应时间（总计） 2492.26s 响应时间（最大） 1026.43s 答案错误: 4 未遵循指令: 2 额外格式: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.7 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.9 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
#28#28	GPT-5.3-Codexmedium	8.9	OpenAI	$0.988	16.91s
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 83.3% 不稳定测试 4 输入令牌 81,187 输出令牌 6,258 推理令牌 54,116 响应时间（平均） 16.91s 响应时间（总计） 372.03s 响应时间（最大） 100.93s 答案错误: 4 未遵循指令: 2 反AI技巧 : 8.7 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.6 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 2.8
#165#165	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
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 60.6% 不稳定测试 7 输入令牌 106,176 输出令牌 33,013 推理令牌 239,560 响应时间（平均） 106.06s 响应时间（总计） 2333.36s 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 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
#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
#27#27	Muse Spark 1.3medium	9.0	Meta	$1.075	89.78s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.3 尝试通过率 81.8% 不稳定测试 4 输入令牌 98,062 输出令牌 13,168 推理令牌 210,826 响应时间（平均） 89.78s 响应时间（总计） 1975.17s 响应时间（最大） 356.29s 答案错误: 3 API 错误: 1 未遵循指令: 1 无答案: 1 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 : 2.9 通用智能 : 10.0 指令遵循 : 7.3 谜题求解 : 8.4 工具调用 : 9.8 常识问答 : 3.0
#139#139	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
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 69.7% 不稳定测试 3 输入令牌 13,852 输出令牌 119,100 推理令牌 0 响应时间（平均） 10.18s 响应时间（总计） 183.29s 响应时间（最大） 64.36s API 错误: 4 答案错误: 4 反AI技巧 : 10.0 编程 : 8.8 综合 : 3.0 数据解析与提取 : 6.5 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
#33#33	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 83.3% 不稳定测试 1 输入令牌 134,770 输出令牌 13,604 推理令牌 4,388 响应时间（平均） 6.99s 响应时间（总计） 153.80s 响应时间（最大） 30.67s 答案错误: 4 反AI技巧 : 10.0 编程 : 7.8 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
#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
#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
#183#183	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.140 ↑	110.84s
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 65.2% 不稳定测试 6 输入令牌 130,450 输出令牌 54,857 推理令牌 838,606 响应时间（平均） 110.84s 响应时间（总计） 2438.58s 响应时间（最大） 950.25s 超时: 4 无答案: 3 答案错误: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#142#142	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
查看模型卡片总测试数 22 错误测试数 12 可靠性 7.3 尝试通过率 63.6% 不稳定测试 7 输入令牌 76,036 输出令牌 7,267 推理令牌 364,176 响应时间（平均） 101.05s 响应时间（总计） 2223.19s 响应时间（最大） 626.58s API 错误: 6 答案错误: 4 额外格式: 1 未遵循指令: 1 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 常识问答 : 3.0
#19#19	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
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 86.4% 不稳定测试 3 输入令牌 106,029 输出令牌 5,748 推理令牌 220,354 响应时间（平均） 44.32s 响应时间（总计） 975.11s 响应时间（最大） 556.06s 答案错误: 4 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 4.1 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
#115#115	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 63.6% 不稳定测试 2 输入令牌 149,203 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.92s 响应时间（总计） 108.24s 响应时间（最大） 35.03s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.8 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#48#48	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
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 72.7% 不稳定测试 4 输入令牌 105,013 输出令牌 9,914 推理令牌 61,338 响应时间（平均） 28.51s 响应时间（总计） 456.13s 响应时间（最大） 116.86s 未遵循指令: 3 答案错误: 3 无答案: 1 超时: 1 反AI技巧 : 6.5 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 3.7 指令遵循 : 9.9 谜题求解 : 7.5 工具调用 : 4.7 常识问答 : 3.0
#63#63	GLM 5.2high	8.0	Z.ai	$1.188 ↑	69.86s
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 69.7% 不稳定测试 3 输入令牌 83,822 输出令牌 72,040 推理令牌 292,615 响应时间（平均） 69.86s 响应时间（总计） 1536.98s 响应时间（最大） 599.43s 超时: 3 无答案: 2 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.1 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
#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
#141#141	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
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 60.6% 不稳定测试 4 输入令牌 98,700 输出令牌 1,050,900 推理令牌 0 响应时间（平均） 70.10s 响应时间（总计） 1542.14s 响应时间（最大） 364.99s 答案错误: 7 无答案: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 4.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#116#116	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
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 63.6% 不稳定测试 4 输入令牌 68,913 输出令牌 64,654 推理令牌 282,865 响应时间（平均） 115.89s 响应时间（总计） 2433.66s 响应时间（最大） 876.20s 超时: 3 答案错误: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 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
#24#24	Muse Spark 1.3high	9.0	Meta	$1.252	117.06s
查看模型卡片总测试数 22 错误测试数 5 可靠性 9.5 尝试通过率 81.8% 不稳定测试 3 输入令牌 99,477 输出令牌 14,053 推理令牌 251,124 响应时间（平均） 117.06s 响应时间（总计） 2575.43s 响应时间（最大） 470.12s 答案错误: 2 API 错误: 1 未遵循指令: 1 无答案: 1 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 : 2.9 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 9.6 常识问答 : 3.0
#11#11	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
查看模型卡片总测试数 22 错误测试数 3 可靠性 10.0 尝试通过率 86.4% 不稳定测试 0 输入令牌 80,067 输出令牌 5,378 推理令牌 23,162 响应时间（平均） 10.15s 响应时间（总计） 223.24s 响应时间（最大） 56.19s 答案错误: 3 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 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 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

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