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）
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
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 69.6% 不稳定测试 6 输入令牌 336,310 输出令牌 10,838 推理令牌 494,728 响应时间（平均） 37.41s 响应时间（总计） 860.39s 响应时间（最大） 196.03s 答案错误: 3 未遵循指令: 2 无效工具调用: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 7.5 编程 : 10.0 综合 : 5.9 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 : 7.8 工具调用 : 9.6 常识问答 : 3.0
#110#110	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
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 237,088 输出令牌 8,235 推理令牌 102,675 响应时间（平均） 15.95s 响应时间（总计） 366.93s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 工具调用 : 10.0 常识问答 : 3.0
#117#117	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
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 69.6% 不稳定测试 5 输入令牌 238,925 输出令牌 7,109 推理令牌 177,063 响应时间（平均） 29.94s 响应时间（总计） 688.57s 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 智能体任务 : 10.0 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
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
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 68.1% 不稳定测试 4 输入令牌 319,524 输出令牌 440,835 推理令牌 0 响应时间（平均） 26.57s 响应时间（总计） 611.09s 响应时间（最大） 152.83s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 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 : 5.3 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 3.0
#128#128	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
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 56.5% 不稳定测试 0 输入令牌 250,495 输出令牌 76,261 推理令牌 0 响应时间（平均） 17.80s 响应时间（总计） 409.51s 响应时间（最大） 206.03s 答案错误: 9 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
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 298,334 输出令牌 10,328 推理令牌 55,846 响应时间（平均） 7.71s 响应时间（总计） 177.29s 响应时间（最大） 47.70s 答案错误: 5 额外格式: 2 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.3 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#143#143	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
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 63.8% 不稳定测试 4 输入令牌 302,228 输出令牌 181,271 推理令牌 0 响应时间（平均） 29.38s 响应时间（总计） 675.79s 响应时间（最大） 234.56s 答案错误: 10 智能体任务 : 10.0 反AI技巧 : 6.4 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.2 谜题求解 : 8.3 工具调用 : 10.0 常识问答 : 3.0
#144#144	GLM 5.1medium	7.5	Z.ai	$1.546 ↑	66.38s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.2 尝试通过率 66.7% 不稳定测试 4 输入令牌 331,577 输出令牌 17,919 推理令牌 230,789 响应时间（平均） 66.38s 响应时间（总计） 1460.31s 响应时间（最大） 308.75s 答案错误: 5 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
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 3 输入令牌 212,780 输出令牌 6,849 推理令牌 41,137 响应时间（平均） 9.64s 响应时间（总计） 221.62s 响应时间（最大） 58.09s 答案错误: 9 无效工具调用: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.4 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#149#149	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
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 68.1% 不稳定测试 5 输入令牌 258,760 输出令牌 22,221 推理令牌 630,059 响应时间（平均） 45.45s 响应时间（总计） 1045.45s 响应时间（最大） 578.13s 答案错误: 8 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 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
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 6 输入令牌 231,356 输出令牌 43,054 推理令牌 370,981 响应时间（平均） 88.15s 响应时间（总计） 2027.36s 响应时间（最大） 438.65s 答案错误: 8 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 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
#152#152	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
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 69.6% 不稳定测试 5 输入令牌 235,914 输出令牌 8,147 推理令牌 89,581 响应时间（平均） 14.94s 响应时间（总计） 343.65s 响应时间（最大） 91.16s 答案错误: 8 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 8.2 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 3.6 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
#158#158	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
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 225,013 输出令牌 12,197 推理令牌 87,143 响应时间（平均） 29.11s 响应时间（总计） 669.54s 响应时间（最大） 163.41s 答案错误: 4 额外格式: 2 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 8.2 综合 : 6.4 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
#170#170	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
#180#180	GPT-5.2 Chatdefault	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 10,414 推理令牌 19,328 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
#184#184	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
#190#190	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
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 59.4% 不稳定测试 2 输入令牌 228,023 输出令牌 10,779 推理令牌 53,188 响应时间（平均） 6.27s 响应时间（总计） 144.10s 响应时间（最大） 47.78s 答案错误: 8 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 : 2.9 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#195#195	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
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 60.9% 不稳定测试 2 输入令牌 345,059 输出令牌 24,343 推理令牌 0 响应时间（平均） 7.54s 响应时间（总计） 173.31s 响应时间（最大） 65.07s 答案错误: 5 额外格式: 3 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 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
#200#200	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
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 63.8% 不稳定测试 4 输入令牌 235,086 输出令牌 7,989 推理令牌 0 响应时间（平均） 9.02s 响应时间（总计） 207.45s 响应时间（最大） 57.02s 答案错误: 10 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 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#204#204	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
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 358,616 输出令牌 9,651 推理令牌 520,155 响应时间（平均） 55.13s 响应时间（总计） 1268.10s 响应时间（最大） 252.69s 答案错误: 6 额外格式: 3 无效工具调用: 1 智能体任务 : 3.4 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
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.6 尝试通过率 72.5% 不稳定测试 7 输入令牌 329,276 输出令牌 8,172 推理令牌 479,012 响应时间（平均） 122.19s 响应时间（总计） 2810.40s 响应时间（最大） 573.57s 无答案: 3 未遵循指令: 2 无效工具调用: 2 答案错误: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.0 综合 : 8.6 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 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#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
#215#215	GLM 5.2none	6.6	Z.ai	$0.250 ↑	11.27s
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 63.8% 不稳定测试 3 输入令牌 247,919 输出令牌 17,685 推理令牌 0 响应时间（平均） 11.27s 响应时间（总计） 259.32s 响应时间（最大） 79.65s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 3.7 综合 : 6.9 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#233#233	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
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 3 输入令牌 233,893 输出令牌 12,432 推理令牌 0 响应时间（平均） 6.05s 响应时间（总计） 102.89s 响应时间（最大） 57.84s 答案错误: 9 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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 : 6.4 谜题求解 : 7.7 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

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