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）
#138#138	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.6 尝试通过率 63.6% 不稳定测试 5 输入令牌 81,970 输出令牌 7,186 推理令牌 403,389 响应时间（平均） 124.18s 响应时间（总计） 2732.03s 响应时间（最大） 675.30s API 错误: 5 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.3 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#38#38	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
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 74.2% 不稳定测试 4 输入令牌 123,680 输出令牌 7,222 推理令牌 271,442 响应时间（平均） 19.67s 响应时间（总计） 432.72s 响应时间（最大） 142.49s 未遵循指令: 3 答案错误: 3 额外格式: 1 无效工具调用: 1 反AI技巧 : 7.3 编程 : 10.0 综合 : 8.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#13#13	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
查看模型卡片总测试数 22 错误测试数 2 可靠性 10.0 尝试通过率 90.9% 不稳定测试 0 输入令牌 92,296 输出令牌 5,232 推理令牌 92,006 响应时间（平均） 20.62s 响应时间（总计） 329.94s 响应时间（最大） 88.68s 答案错误: 2 反AI技巧 : 10.0 编程 : 7.9 综合 : 9.8 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 : 10.0
#39#39	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
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 72.7% 不稳定测试 2 输入令牌 142,147 输出令牌 7,905 推理令牌 284,247 响应时间（平均） 26.25s 响应时间（总计） 577.47s 响应时间（最大） 165.38s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.9 工具调用 : 9.8 常识问答 : 3.0
#36#36	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
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 145,249 输出令牌 24,948 推理令牌 5,042 响应时间（平均） 7.62s 响应时间（总计） 159.94s 响应时间（最大） 65.40s 答案错误: 3 超时: 1 反AI技巧 : 8.3 编程 : 7.6 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 : 3.0
#18#18	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
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 80.3% 不稳定测试 2 输入令牌 104,464 输出令牌 6,844 推理令牌 590,392 响应时间（平均） 163.90s 响应时间（总计） 3605.87s 响应时间（最大） 739.98s 答案错误: 3 无答案: 2 反AI技巧 : 8.2 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#89#89	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
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 57.6% 不稳定测试 1 输入令牌 185,547 输出令牌 24,866 推理令牌 0 响应时间（平均） 7.65s 响应时间（总计） 168.35s 响应时间（最大） 47.72s 答案错误: 6 额外格式: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 5.5 编程 : 5.9 综合 : 8.3 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#43#43	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
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 4 输入令牌 81,136 输出令牌 6,155 推理令牌 84,311 响应时间（平均） 22.85s 响应时间（总计） 502.78s 响应时间（最大） 100.41s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 8.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#16#16	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
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 135,604 输出令牌 23,814 推理令牌 12,804 响应时间（平均） 10.26s 响应时间（总计） 225.66s 响应时间（最大） 35.43s 答案错误: 3 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.595	37.19s
查看模型卡片总测试数 22 错误测试数 1 可靠性 10.0 尝试通过率 98.5% 不稳定测试 1 输入令牌 84,593 输出令牌 10,517 推理令牌 397,671 响应时间（平均） 37.19s 响应时间（总计） 818.19s 响应时间（最大） 177.08s 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 : 8.2 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
#60#60	Muse Spark 1.1high	8.0	Meta	$1.709	30.84s
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 6 输入令牌 129,003 输出令牌 8,340 推理令牌 355,649 响应时间（平均） 30.84s 响应时间（总计） 647.67s 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 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
#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
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
查看模型卡片总测试数 22 错误测试数 19 可靠性 5.4 尝试通过率 19.7% 不稳定测试 3 输入令牌 45,154 输出令牌 4,022 推理令牌 678,516 响应时间（平均） 214.25s 响应时间（总计） 4713.56s 响应时间（最大） 597.45s API 错误: 14 答案错误: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.0 编程 : 5.2 综合 : 2.9 数据解析与提取 : 8.7 领域专项 : 4.5 通用智能 : 7.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#37#37	Muse Spark 1.2high	8.7	Meta	$1.771	26.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.9 尝试通过率 74.2% 不稳定测试 5 输入令牌 117,037 输出令牌 6,983 推理令牌 375,104 响应时间（平均） 26.59s 响应时间（总计） 584.89s 响应时间（最大） 192.00s 答案错误: 4 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 8.0 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#29#29	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
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 78.8% 不稳定测试 3 输入令牌 104,695 输出令牌 6,645 推理令牌 691,086 响应时间（平均） 173.96s 响应时间（总计） 3827.19s 响应时间（最大） 584.71s 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 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 : 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
#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
#50#50	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
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 78.8% 不稳定测试 5 输入令牌 104,433 输出令牌 6,511 推理令牌 752,680 响应时间（平均） 193.59s 响应时间（总计） 4258.98s 响应时间（最大） 885.33s 答案错误: 5 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 编程 : 8.2 综合 : 10.0 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 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#32#32	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
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 138,448 输出令牌 40,765 推理令牌 11,162 响应时间（平均） 12.97s 响应时间（总计） 285.29s 响应时间（最大） 70.54s 答案错误: 4 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 7.1 领域专项 : 3.6 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
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
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 89.4% 不稳定测试 2 输入令牌 107,146 输出令牌 8,777 推理令牌 196,705 响应时间（平均） 15.46s 响应时间（总计） 340.20s 响应时间（最大） 145.92s 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 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 : 9.8 常识问答 : 10.0
#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
#219#219	Gemini 3.1 Flash Litehigh	5.6	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 56.1% 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 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
#78#78	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
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 80.3% 不稳定测试 3 输入令牌 156,522 输出令牌 43,056 推理令牌 9,181 响应时间（平均） 12.88s 响应时间（总计） 283.32s 响应时间（最大） 127.97s 答案错误: 4 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.6 综合 : 9.9 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#75#75	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
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 65.2% 不稳定测试 1 输入令牌 106,316 输出令牌 79,338 推理令牌 41,089 响应时间（平均） 28.08s 响应时间（总计） 421.15s 响应时间（最大） 140.96s 答案错误: 4 额外格式: 3 超时: 1 反AI技巧 : 6.5 编程 : 5.7 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 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
#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

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