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）
#94#94	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
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 72.7% 不稳定测试 5 输入令牌 113,569 输出令牌 9,823 推理令牌 264,886 响应时间（平均） 91.76s 响应时间（总计） 1376.42s 响应时间（最大） 304.85s 答案错误: 4 超时: 2 API 错误: 1 无效工具调用: 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
#83#83	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.489 ↑	92.50s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 63.6% 不稳定测试 6 输入令牌 90,757 输出令牌 22,928 推理令牌 186,516 响应时间（平均） 92.50s 响应时间（总计） 2035.01s 响应时间（最大） 416.76s 答案错误: 7 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 5.7 编程 : 6.3 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 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#133#133	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.116	93.10s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.7 尝试通过率 57.6% 不稳定测试 3 输入令牌 125,704 输出令牌 10,781 推理令牌 247,541 响应时间（平均） 93.10s 响应时间（总计） 1768.91s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#58#58	Muse Glimmer 30Bxhigh	8.1	Meta	$0.510 ↓	95.55s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.9 尝试通过率 69.7% 不稳定测试 4 输入令牌 110,930 输出令牌 116,373 推理令牌 330,471 响应时间（平均） 95.55s 响应时间（总计） 2102.12s 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 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
#194#194	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
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 47.0% 不稳定测试 5 输入令牌 122,854 输出令牌 119,810 推理令牌 698,549 响应时间（平均） 96.61s 响应时间（总计） 2125.51s 响应时间（最大） 540.96s 答案错误: 7 API 错误: 2 未遵循指令: 2 无效工具调用: 2 无答案: 1 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 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 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#134#134	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 63.6% 不稳定测试 8 输入令牌 118,496 输出令牌 53,522 推理令牌 167,420 响应时间（平均） 98.19s 响应时间（总计） 1571.05s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 无效工具调用: 1 反AI技巧 : 7.3 编程 : 6.1 综合 : 6.7 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 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#142#142	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
查看模型卡片总测试数 22 错误测试数 12 可靠性 7.3 尝试通过率 63.6% 不稳定测试 7 输入令牌 76,036 输出令牌 7,267 推理令牌 364,176 响应时间（平均） 101.05s 响应时间（总计） 2223.19s 响应时间（最大） 626.58s API 错误: 6 答案错误: 4 额外格式: 1 未遵循指令: 1 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 常识问答 : 3.0
#149#149	Gemma 4 26B A4Bmedium	6.8	Google	$0.092 ↓	104.93s
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 69.7% 不稳定测试 1 输入令牌 77,528 输出令牌 26,048 推理令牌 227,598 响应时间（平均） 104.93s 响应时间（总计） 2203.52s 响应时间（最大） 912.19s 无答案: 2 超时: 2 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 2.9 综合 : 6.3 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#165#165	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 60.6% 不稳定测试 7 输入令牌 106,176 输出令牌 33,013 推理令牌 239,560 响应时间（平均） 106.06s 响应时间（总计） 2333.36s 响应时间（最大） 1085.11s 答案错误: 5 无答案: 3 无效工具调用: 2 额外格式: 1 未遵循指令: 1 反AI技巧 : 8.3 编程 : 7.7 综合 : 6.7 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#304#304	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
查看模型卡片总测试数 22 错误测试数 19 可靠性 6.0 尝试通过率 25.8% 不稳定测试 5 输入令牌 17,195 输出令牌 46,735 推理令牌 366,707 响应时间（平均） 107.51s 响应时间（总计） 1720.15s 响应时间（最大） 569.97s 超时: 11 无答案: 3 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 5.1 编程 : 2.9 综合 : 3.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 2.8 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#183#183	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.140 ↑	110.84s
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 130,450 输出令牌 54,857 推理令牌 838,606 响应时间（平均） 110.84s 响应时间（总计） 2438.58s 响应时间（最大） 950.25s 超时: 4 无答案: 3 答案错误: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#240#240	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
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 27.3% 不稳定测试 5 输入令牌 208,937 输出令牌 175,588 推理令牌 409,276 响应时间（平均） 111.60s 响应时间（总计） 2455.24s 响应时间（最大） 1190.11s 答案错误: 11 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#95#95	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
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 75.8% 不稳定测试 6 输入令牌 111,644 输出令牌 16,113 推理令牌 598,796 响应时间（平均） 113.28s 响应时间（总计） 2492.26s 响应时间（最大） 1026.43s 答案错误: 4 未遵循指令: 2 额外格式: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.7 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.9 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
#152#152	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.9 尝试通过率 54.6% 不稳定测试 4 输入令牌 90,870 输出令牌 5,676 推理令牌 314,918 响应时间（平均） 113.61s 响应时间（总计） 2499.46s 响应时间（最大） 560.39s 答案错误: 7 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 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
#62#62	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.084 ↓	114.94s
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 75.8% 不稳定测试 5 输入令牌 96,702 输出令牌 16,966 推理令牌 496,341 响应时间（平均） 114.94s 响应时间（总计） 2528.65s 响应时间（最大） 600.61s 答案错误: 4 未遵循指令: 2 API 错误: 1 无答案: 1 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
#116#116	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
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 63.6% 不稳定测试 4 输入令牌 68,913 输出令牌 64,654 推理令牌 282,865 响应时间（平均） 115.89s 响应时间（总计） 2433.66s 响应时间（最大） 876.20s 超时: 3 答案错误: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 综合 : 6.9 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 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#24#24	Muse Spark 1.3high	9.0	Meta	$1.252	117.06s
查看模型卡片总测试数 22 错误测试数 5 可靠性 9.5 尝试通过率 81.8% 不稳定测试 3 输入令牌 99,477 输出令牌 14,053 推理令牌 251,124 响应时间（平均） 117.06s 响应时间（总计） 2575.43s 响应时间（最大） 470.12s 答案错误: 2 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 : 6.4 谜题求解 : 10.0 工具调用 : 9.6 常识问答 : 3.0
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.4 尝试通过率 72.7% 不稳定测试 2 输入令牌 113,279 输出令牌 121,045 推理令牌 374,496 响应时间（平均） 118.97s 响应时间（总计） 2617.41s 响应时间（最大） 534.21s 答案错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#125#125	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
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 62.1% 不稳定测试 5 输入令牌 79,740 输出令牌 23,357 推理令牌 339,837 响应时间（平均） 120.58s 响应时间（总计） 2652.77s 响应时间（最大） 491.07s 答案错误: 5 未遵循指令: 3 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 8.7 编程 : 5.7 综合 : 7.3 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 : 7.9 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.4 尝试通过率 74.2% 不稳定测试 4 输入令牌 108,931 输出令牌 112,801 推理令牌 343,227 响应时间（平均） 120.59s 响应时间（总计） 2653.05s 响应时间（最大） 532.28s 答案错误: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.1 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	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
#144#144	Solar Pro 4medium	6.8	Upstage	$0.047	127.64s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.9 尝试通过率 62.1% 不稳定测试 4 输入令牌 87,902 输出令牌 30,743 推理令牌 335,668 响应时间（平均） 127.64s 响应时间（总计） 2808.09s 响应时间（最大） 519.91s 答案错误: 5 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#289#289	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.6 尝试通过率 31.8% 不稳定测试 8 输入令牌 79,104 输出令牌 42,254 推理令牌 377,280 响应时间（平均） 134.34s 响应时间（总计） 2015.13s 响应时间（最大） 1539.97s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#87#87	Solar Pro 4xhigh	7.6	Upstage	$0.050	134.85s
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 60.6% 不稳定测试 2 输入令牌 98,116 输出令牌 21,720 推理令牌 367,730 响应时间（平均） 134.85s 响应时间（总计） 2966.79s 响应时间（最大） 491.42s 答案错误: 4 未遵循指令: 3 无答案: 2 额外格式: 1 反AI技巧 : 8.3 编程 : 5.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 8.9 工具调用 : 10.0 常识问答 : 3.0
#143#143	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
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 6 输入令牌 90,556 输出令牌 6,153 推理令牌 332,220 响应时间（平均） 136.11s 响应时间（总计） 2994.49s 响应时间（最大） 640.89s 答案错误: 6 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.3 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 : 8.0 谜题求解 : 9.0 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 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