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）
#249#249	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 60.9% 不稳定测试 2 输入令牌 312,368 输出令牌 9,429 推理令牌 416,147 响应时间（平均） 19.02s 响应时间（总计） 437.38s 响应时间（最大） 318.02s 答案错误: 9 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 7.3 编程 : 5.5 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#332#332	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 66.7% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 6.0 综合 : 2.3 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#333#333	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 59.4% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.1 编程 : 6.0 综合 : 4.9 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#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
#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
#71#71	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
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 4 输入令牌 291,368 输出令牌 13,469 推理令牌 108,952 响应时间（平均） 13.21s 响应时间（总计） 303.92s 响应时间（最大） 54.15s 答案错误: 5 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.9 编程 : 10.0 综合 : 6.6 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 : 7.3 谜题求解 : 8.3 工具调用 : 9.8 常识问答 : 3.0
#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
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
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 71.0% 不稳定测试 4 输入令牌 229,530 输出令牌 13,757 推理令牌 92,662 响应时间（平均） 48.87s 响应时间（总计） 1123.91s 响应时间（最大） 254.92s 答案错误: 6 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 8.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#103#103	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
查看模型卡片总测试数 23 错误测试数 9 可靠性 8.9 尝试通过率 78.3% 不稳定测试 6 输入令牌 237,604 输出令牌 9,617 推理令牌 244,190 响应时间（平均） 73.02s 响应时间（总计） 1679.49s 响应时间（最大） 485.92s 答案错误: 7 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#106#106	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
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 71.0% 不稳定测试 4 输入令牌 298,794 输出令牌 45,873 推理令牌 188,721 响应时间（平均） 55.99s 响应时间（总计） 1287.87s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 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
#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
#113#113	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
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 75.4% 不稳定测试 6 输入令牌 176,890 输出令牌 5,688 推理令牌 18,525 响应时间（平均） 7.58s 响应时间（总计） 174.39s 响应时间（最大） 54.57s 答案错误: 8 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
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 76.8% 不稳定测试 6 输入令牌 288,919 输出令牌 17,484 推理令牌 617,804 响应时间（平均） 114.73s 响应时间（总计） 2638.74s 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 智能体任务 : 10.0 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
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
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 75.4% 不稳定测试 7 输入令牌 219,811 输出令牌 8,811 推理令牌 59,671 响应时间（平均） 28.38s 响应时间（总计） 652.78s 响应时间（最大） 159.91s 答案错误: 6 额外格式: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.6 综合 : 6.4 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
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 72.5% 不稳定测试 5 输入令牌 269,143 输出令牌 6,833 推理令牌 785,200 响应时间（平均） 84.94s 响应时间（总计） 1953.70s 响应时间（最大） 527.47s 答案错误: 4 无答案: 3 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#136#136	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 65.2% 不稳定测试 2 输入令牌 176,539 输出令牌 4,419 推理令牌 195,929 响应时间（平均） 54.06s 响应时间（总计） 1189.36s 响应时间（最大） 203.01s 答案错误: 8 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 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
#153#153	Grok 4.7low	7.4	X AI	$1.933	63.19s
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 73.9% 不稳定测试 5 输入令牌 365,119 输出令牌 8,118 推理令牌 247,211 响应时间（平均） 63.19s 响应时间（总计） 1453.28s 响应时间（最大） 389.63s 答案错误: 6 无答案: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 7.3 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
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 66.7% 不稳定测试 2 输入令牌 85,669 输出令牌 6,092 推理令牌 292,801 响应时间（平均） 29.10s 响应时间（总计） 669.40s 响应时间（最大） 122.60s 答案错误: 6 未遵循指令: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 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 : 9.8 谜题求解 : 4.8 工具调用 : 3.0 常识问答 : 3.0
#164#164	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
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 76.8% 不稳定测试 7 输入令牌 388,307 输出令牌 10,412 推理令牌 118,802 响应时间（平均） 8.68s 响应时间（总计） 199.65s 响应时间（最大） 86.92s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 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 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#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
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 66.7% 不稳定测试 2 输入令牌 277,164 输出令牌 1,913 推理令牌 168,783 响应时间（平均） 40.09s 响应时间（总计） 881.89s 响应时间（最大） 214.63s 答案错误: 4 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 8.3 工具调用 : 3.0 常识问答 : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
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 72.5% 不稳定测试 6 输入令牌 301,749 输出令牌 1,033 推理令牌 620,023 响应时间（平均） 102.66s 响应时间（总计） 2361.10s 响应时间（最大） 674.08s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#182#182	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
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 60.9% 不稳定测试 0 输入令牌 272,221 输出令牌 12,345 推理令牌 47,189 响应时间（平均） 6.78s 响应时间（总计） 155.96s 响应时间（最大） 54.91s 答案错误: 7 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 : 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
#186#186	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
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 71.0% 不稳定测试 5 输入令牌 251,695 输出令牌 49,415 推理令牌 472,775 响应时间（平均） 66.96s 响应时间（总计） 1539.99s 响应时间（最大） 519.30s 答案错误: 5 无效工具调用: 2 超时: 2 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 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