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）
#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
#163#163	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
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 69.6% 不稳定测试 3 输入令牌 222,601 输出令牌 8,185 推理令牌 238,605 响应时间（平均） 57.41s 响应时间（总计） 1263.02s 响应时间（最大） 307.08s 答案错误: 6 API 错误: 1 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.1 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
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 72.5% 不稳定测试 6 输入令牌 249,486 输出令牌 14,481 推理令牌 288,249 响应时间（平均） 97.68s 响应时间（总计） 1562.81s 响应时间（最大） 304.85s 答案错误: 6 超时: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 6.6 综合 : 6.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#221#221	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
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 65.2% 不稳定测试 8 输入令牌 87,682 输出令牌 7,166 推理令牌 106,027 响应时间（平均） 19.40s 响应时间（总计） 446.11s 响应时间（最大） 209.15s 答案错误: 10 API 错误: 2 智能体任务 : 3.0 反AI技巧 : 6.9 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 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
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
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 76.8% 不稳定测试 5 输入令牌 281,863 输出令牌 24,535 推理令牌 507,976 响应时间（平均） 118.83s 响应时间（总计） 2733.01s 响应时间（最大） 600.61s 答案错误: 5 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 : 10.0 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
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 188,003 输出令牌 2,914 推理令牌 113,210 响应时间（平均） 14.03s 响应时间（总计） 322.73s 响应时间（最大） 77.15s 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
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 71.0% 不稳定测试 4 输入令牌 287,538 输出令牌 118,266 推理令牌 346,758 响应时间（平均） 97.70s 响应时间（总计） 2247.18s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 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 : 10.0 综合 : 6.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.5 尝试通过率 78.3% 不稳定测试 7 输入令牌 298,476 输出令牌 7,762 推理令牌 515,918 响应时间（平均） 148.11s 响应时间（总计） 3406.53s 响应时间（最大） 904.91s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.3 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 : 10.0 指令遵循 : 8.4 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 2.8
#63#63	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 280,643 输出令牌 7,342 推理令牌 437,323 响应时间（平均） 32.88s 响应时间（总计） 756.34s 响应时间（最大） 276.31s 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 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 : 2.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.7 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
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
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 76.8% 不稳定测试 3 输入令牌 278,684 输出令牌 10,151 推理令牌 48,907 响应时间（平均） 21.62s 响应时间（总计） 497.25s 响应时间（最大） 119.16s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 9.2 编程 : 10.0 综合 : 8.4 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 : 8.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#62#62	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.7 尝试通过率 75.4% 不稳定测试 3 输入令牌 282,490 输出令牌 8,621 推理令牌 455,535 响应时间（平均） 33.27s 响应时间（总计） 765.12s 响应时间（最大） 205.53s 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 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 : 5.3 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#115#115	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
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 78.3% 不稳定测试 6 输入令牌 322,894 输出令牌 8,010 推理令牌 394,755 响应时间（平均） 43.97s 响应时间（总计） 1011.29s 响应时间（最大） 390.70s 无效工具调用: 2 无答案: 2 答案错误: 2 额外格式: 1 未遵循指令: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 8.2 综合 : 8.2 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#48#48	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
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 84.1% 不稳定测试 2 输入令牌 244,529 输出令牌 6,784 推理令牌 213,142 响应时间（平均） 11.92s 响应时间（总计） 274.14s 响应时间（最大） 53.09s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 3.6 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
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.9 尝试通过率 55.1% 不稳定测试 5 输入令牌 262,387 输出令牌 7,344 推理令牌 338,881 响应时间（平均） 115.00s 响应时间（总计） 2645.11s 响应时间（最大） 560.39s 答案错误: 8 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
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 55.1% 不稳定测试 1 输入令牌 123,273 输出令牌 19,362 推理令牌 0 响应时间（平均） 7.67s 响应时间（总计） 122.78s 响应时间（最大） 51.18s 答案错误: 5 额外格式: 4 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.8 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 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 62.3% 不稳定测试 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 23.94s 响应时间（总计） 550.52s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#49#49	Gemini 4 Argonmedium	9.0	Google	$0.674	6.63s
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 84.1% 不稳定测试 1 输入令牌 215,326 输出令牌 6,668 推理令牌 17,615 响应时间（平均） 6.63s 响应时间（总计） 152.50s 响应时间（最大） 62.49s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.4 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 : 10.0 谜题求解 : 10.0 工具调用 : 9.8 常识问答 : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
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 59.4% 不稳定测试 5 输入令牌 232,218 输出令牌 4,944 推理令牌 142,263 响应时间（平均） 9.03s 响应时间（总计） 207.67s 响应时间（最大） 36.04s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.8 编程 : 8.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 68.1% 不稳定测试 3 输入令牌 482,754 输出令牌 62,455 推理令牌 141,067 响应时间（平均） 40.33s 响应时间（总计） 927.65s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
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 68.1% 不稳定测试 1 输入令牌 132,507 输出令牌 12,739 推理令牌 228,626 响应时间（平均） 20.51s 响应时间（总计） 471.64s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.4 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#355#355	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 50.7% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.3 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
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 63.8% 不稳定测试 5 输入令牌 212,065 输出令牌 4,428 推理令牌 154,069 响应时间（平均） 9.18s 响应时间（总计） 211.12s 响应时间（最大） 44.64s 答案错误: 8 API 错误: 3 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 33.3% 不稳定测试 2 输入令牌 219,404 输出令牌 9,372 推理令牌 0 响应时间（平均） 3.89s 响应时间（总计） 89.48s 响应时间（最大） 43.73s 答案错误: 15 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 3.2 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 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