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）
#212#212	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
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 68.1% 不稳定测试 9 输入令牌 365,069 输出令牌 133,336 推理令牌 344,133 响应时间（平均） 31.25s 响应时间（总计） 718.67s 响应时间（最大） 114.61s 答案错误: 9 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 5.5 综合 : 4.2 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 : 8.0 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#65#65	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
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 73.9% 不稳定测试 4 输入令牌 235,207 输出令牌 11,065 推理令牌 69,473 响应时间（平均） 31.29s 响应时间（总计） 531.98s 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 智能体任务 : 10.0 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
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 47.8% 不稳定测试 5 输入令牌 285,293 输出令牌 29,565 推理令牌 89,266 响应时间（平均） 31.58s 响应时间（总计） 536.78s 响应时间（最大） 203.90s 答案错误: 10 未遵循指令: 3 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 6.7 编程 : 5.9 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 3.0
#253#253	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
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 60.9% 不稳定测试 3 输入令牌 108,573 输出令牌 69,994 推理令牌 26,728 响应时间（平均） 32.23s 响应时间（总计） 515.65s 响应时间（最大） 151.51s 额外格式: 4 答案错误: 4 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 6.4 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.9 尝试通过率 68.1% 不稳定测试 9 输入令牌 293,112 输出令牌 152,376 推理令牌 357,890 响应时间（平均） 32.68s 响应时间（总计） 751.72s 响应时间（最大） 115.57s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 4.3 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.1 指令遵循 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 55.1% 不稳定测试 5 输入令牌 267,840 输出令牌 192,115 推理令牌 0 响应时间（平均） 32.88s 响应时间（总计） 756.28s 响应时间（最大） 197.32s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 5.2 编程 : 5.4 综合 : 3.8 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 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#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
#6#6	GPT-6.1 Solxhigh	9.9	OpenAI	$1.377	33.11s
查看模型卡片总测试数 23 错误测试数 1 可靠性 10.0 尝试通过率 97.1% 不稳定测试 1 输入令牌 175,712 输出令牌 5,640 推理令牌 96,842 响应时间（平均） 33.11s 响应时间（总计） 761.52s 响应时间（最大） 491.85s 答案错误: 1 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 : 7.6 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 : 10.0
#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
#41#41	Paretodefault	9.1	Unbiased	$1.520	33.47s
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 87.0% 不稳定测试 2 输入令牌 223,559 输出令牌 128,144 推理令牌 0 响应时间（平均） 33.47s 响应时间（总计） 769.84s 响应时间（最大） 143.33s 答案错误: 3 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 : 7.2 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 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
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 63.8% 不稳定测试 6 输入令牌 321,894 输出令牌 139,334 推理令牌 369,481 响应时间（平均） 33.68s 响应时间（总计） 774.73s 响应时间（最大） 163.05s 答案错误: 9 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.7 编程 : 5.1 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.6 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
#138#138	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
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 65.2% 不稳定测试 6 输入令牌 269,497 输出令牌 34,935 推理令牌 145,752 响应时间（平均） 33.97s 响应时间（总计） 781.36s 响应时间（最大） 181.08s 答案错误: 9 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 9.2 编程 : 8.4 综合 : 6.5 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 : 9.8 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#139#139	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.1 尝试通过率 65.2% 不稳定测试 2 输入令牌 93,060 输出令牌 10,305 推理令牌 171,683 响应时间（平均） 34.40s 响应时间（总计） 791.16s 响应时间（最大） 236.64s API 错误: 6 答案错误: 3 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 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 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 2.8
#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
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 29.0% 不稳定测试 4 输入令牌 275,349 输出令牌 49,377 推理令牌 12 响应时间（平均） 35.86s 响应时间（总计） 609.61s 响应时间（最大） 321.19s 答案错误: 17 无答案: 1 智能体任务 : 5.0 反AI技巧 : 3.6 编程 : 5.5 综合 : 2.8 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#201#201	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
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 315,136 输出令牌 219,014 推理令牌 0 响应时间（平均） 36.24s 响应时间（总计） 833.43s 响应时间（最大） 320.00s 答案错误: 10 未遵循指令: 2 智能体任务 : 6.1 反AI技巧 : 6.4 编程 : 5.7 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 5.3 指令遵循 : 5.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
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 58.0% 不稳定测试 5 输入令牌 392,127 输出令牌 7,754 推理令牌 294,333 响应时间（平均） 36.73s 响应时间（总计） 844.68s 响应时间（最大） 199.66s 答案错误: 7 额外格式: 2 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 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
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.8 尝试通过率 18.8% 不稳定测试 1 输入令牌 307,670 输出令牌 70,427 推理令牌 0 响应时间（平均） 37.19s 响应时间（总计） 855.27s 响应时间（最大） 433.02s 答案错误: 15 未遵循指令: 2 无效工具调用: 2 智能体任务 : 3.9 反AI技巧 : 3.1 编程 : 3.9 综合 : 3.0 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 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#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
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 43.5% 不稳定测试 6 输入令牌 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 38.01s 响应时间（总计） 798.15s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 3.7 综合 : 1.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 30.4% 不稳定测试 4 输入令牌 403,455 输出令牌 100,227 推理令牌 15,364 响应时间（平均） 38.64s 响应时间（总计） 888.69s 响应时间（最大） 247.27s 答案错误: 13 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 3.0 编程 : 4.2 综合 : 4.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#433#433	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
查看模型卡片总测试数 12 错误测试数 6 可靠性 10.0 尝试通过率 26.1% 不稳定测试 0 输入令牌 1,971 输出令牌 50,509 推理令牌 33,867 响应时间（平均） 39.03s 响应时间（总计） 312.26s 响应时间（最大） 114.12s API 错误: 4 未遵循指令: 1 答案错误: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 1.0 综合 : 1.5 数据解析与提取 : 1.5 领域专项 : 3.3 通用智能 : 4.0 指令遵循 : 5.0 谜题求解 : 0.0 工具调用 : 3.0 常识问答 : 3.0
#172#172	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
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 76.8% 不稳定测试 5 输入令牌 212,440 输出令牌 22,922 推理令牌 115,335 响应时间（平均） 39.05s 响应时间（总计） 546.68s 响应时间（最大） 110.70s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 5.0 数据解析与提取 : 7.1 领域专项 : 3.5 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
#47#47	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
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 85.5% 不稳定测试 3 输入令牌 250,676 输出令牌 13,511 推理令牌 315,400 响应时间（平均） 39.83s 响应时间（总计） 916.20s 响应时间（最大） 219.77s 答案错误: 4 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 : 7.3 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 : 9.8 谜题求解 : 10.0 工具调用 : 9.6 常识问答 : 3.0
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
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 88.4% 不稳定测试 3 输入令牌 180,959 输出令牌 6,472 推理令牌 123,635 响应时间（平均） 39.86s 响应时间（总计） 916.82s 响应时间（最大） 332.10s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 2.8

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