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）
#305#305	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
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 24.2% 不稳定测试 3 输入令牌 103,898 输出令牌 148,304 推理令牌 774,972 响应时间（平均） 68.08s 响应时间（总计） 1429.66s 响应时间（最大） 262.20s 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 : 2.7 领域专项 : 3.0 通用智能 : 3.8 指令遵循 : 6.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#245#245	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
查看模型卡片总测试数 16 错误测试数 3 可靠性不适用尝试通过率 59.1% 不稳定测试 0 输入令牌 28,980 输出令牌 1,283 推理令牌 1,533,310 响应时间（平均） 68.14s 响应时间（总计） 1090.28s 响应时间（最大） 280.52s 答案错误: 2 未遵循指令: 1 反AI技巧 : 7.5 编程 : 0.0 综合 : 5.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#128#128	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.43s
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 7 输入令牌 101,056 输出令牌 11,832 推理令牌 116,955 响应时间（平均） 68.43s 响应时间（总计） 1505.53s 响应时间（最大） 376.10s 答案错误: 5 API 错误: 2 超时: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.0 综合 : 7.3 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 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#44#44	Grok 4.5medium	8.5	X AI	$2.042	68.59s
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 3 输入令牌 122,155 输出令牌 5,514 推理令牌 293,946 响应时间（平均） 68.59s 响应时间（总计） 1508.91s 响应时间（最大） 436.38s 答案错误: 5 反AI技巧 : 10.0 编程 : 7.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#175#175	Ring-2.6-1Tmedium	6.4	Inclusionai	$0.102 ↑	68.80s
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 59.1% 不稳定测试 3 输入令牌 113,613 输出令牌 122,706 推理令牌 42,325 响应时间（平均） 68.80s 响应时间（总计） 1375.99s 响应时间（最大） 304.19s 答案错误: 6 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.3 综合 : 7.3 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#284#284	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
查看模型卡片总测试数 22 错误测试数 17 可靠性 10.0 尝试通过率 43.9% 不稳定测试 9 输入令牌 142,621 输出令牌 20,409 推理令牌 251,820 响应时间（平均） 69.08s 响应时间（总计） 1036.24s 响应时间（最大） 251.36s 答案错误: 7 超时: 4 未遵循指令: 3 无答案: 2 无效工具调用: 1 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
#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
#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
#250#250	Nemotron 3.5 Lightningmedium	5.1	NVIDIA	$0.156 ↕	70.11s
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 48.5% 不稳定测试 11 输入令牌 126,330 输出令牌 165,702 推理令牌 594,739 响应时间（平均） 70.11s 响应时间（总计） 1542.52s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#81#81	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
查看模型卡片总测试数 22 错误测试数 9 可靠性 8.5 尝试通过率 77.3% 不稳定测试 6 输入令牌 85,657 输出令牌 8,142 推理令牌 233,167 响应时间（平均） 72.24s 响应时间（总计） 1589.31s 响应时间（最大） 485.92s 答案错误: 6 API 错误: 2 未遵循指令: 1 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#26#26	Grok 4.5high	9.0	X AI	$2.252 ↑	72.30s
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 152,175 输出令牌 5,655 推理令牌 318,807 响应时间（平均） 72.30s 响应时间（总计） 1590.56s 响应时间（最大） 676.83s 无答案: 2 答案错误: 2 未遵循指令: 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 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#46#46	Grok 4.6medium	8.4	X AI	$1.713	73.46s
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 4 输入令牌 106,787 输出令牌 4,811 推理令牌 244,997 响应时间（平均） 73.46s 响应时间（总计） 1616.12s 响应时间（最大） 514.35s 答案错误: 5 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 10.0 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#92#92	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.7 尝试通过率 62.1% 不稳定测试 5 输入令牌 121,996 输出令牌 90,051 推理令牌 185,731 响应时间（平均） 75.15s 响应时间（总计） 1578.24s 响应时间（最大） 431.03s 答案错误: 4 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#301#301	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
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 115,314 输出令牌 133,965 推理令牌 816,718 响应时间（平均） 75.68s 响应时间（总计） 1589.20s 响应时间（最大） 345.15s 无答案: 7 答案错误: 6 未遵循指令: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.4 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#272#272	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
查看模型卡片总测试数 22 错误测试数 17 可靠性 10.0 尝试通过率 39.4% 不稳定测试 8 输入令牌 101,776 输出令牌 276,367 推理令牌 656,252 响应时间（平均） 75.86s 响应时间（总计） 1668.93s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#61#61	DeepSeek V4 Flash 0731low	8.0	DeepSeek	$0.044 ↓	77.55s
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 71.2% 不稳定测试 5 输入令牌 93,345 输出令牌 35,723 推理令牌 350,266 响应时间（平均） 77.55s 响应时间（总计） 1706.18s 响应时间（最大） 438.65s 答案错误: 7 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 编程 : 7.3 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#179#179	Gemma 4 31Bmedium	6.2	Google	$0.100 ↓	78.59s
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 65.2% 不稳定测试 3 输入令牌 94,969 输出令牌 34,399 推理令牌 233,022 响应时间（平均） 78.59s 响应时间（总计） 1571.84s 响应时间（最大） 437.40s 答案错误: 3 API 错误: 2 超时: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.3 综合 : 2.9 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#102#102	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.687 ↓	80.09s
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 5 输入令牌 72,085 输出令牌 57,453 推理令牌 182,093 响应时间（平均） 80.09s 响应时间（总计） 1681.85s 响应时间（最大） 365.80s 答案错误: 6 超时: 3 API 错误: 1 未遵循指令: 1 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
#12#12	Grok 4.6high	9.3	X AI	$1.908	84.15s
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 107,275 输出令牌 5,094 推理令牌 277,123 响应时间（平均） 84.15s 响应时间（总计） 1851.26s 响应时间（最大） 618.49s 答案错误: 2 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 : 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
#187#187	Qwen3.5-Flashmedium	6.1	Qwen	$0.142 ↓	84.44s
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 118,508 输出令牌 35,457 推理令牌 477,389 响应时间（平均） 84.44s 响应时间（总计） 1773.20s 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 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
#114#114	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.066 ↓	84.66s
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 71.2% 不稳定测试 8 输入令牌 89,819 输出令牌 58,398 推理令牌 492,457 响应时间（平均） 84.66s 响应时间（总计） 1862.46s 响应时间（最大） 288.78s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 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
#261#261	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 22.7% 不稳定测试 5 输入令牌 118,752 输出令牌 67,823 推理令牌 383,885 响应时间（平均） 85.34s 响应时间（总计） 1877.49s 响应时间（最大） 814.73s 答案错误: 15 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 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 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#189#189	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
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 48.5% 不稳定测试 6 输入令牌 118,486 输出令牌 156,166 推理令牌 860,619 响应时间（平均） 85.44s 响应时间（总计） 1879.75s 响应时间（最大） 525.14s 答案错误: 8 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 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 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#291#291	Granite 4.2 8Bnone	4.3	IBM Granite	$0.026	86.27s
查看模型卡片总测试数 22 错误测试数 19 可靠性 8.6 尝试通过率 16.7% 不稳定测试 2 输入令牌 57,786 输出令牌 130,805 推理令牌 0 响应时间（平均） 86.27s 响应时间（总计） 1897.96s 响应时间（最大） 747.17s 答案错误: 11 额外格式: 4 超时: 3 未遵循指令: 1 反AI技巧 : 4.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#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

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