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）
#90#90	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
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 2 输入令牌 197,239 输出令牌 6,083 推理令牌 53,982 响应时间（平均） 13.62s 响应时间（总计） 313.21s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#19#19	GPT-6 Solmedium	9.5	OpenAI	$0.703	12.12s
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 94.2% 不稳定测试 1 输入令牌 194,520 输出令牌 5,396 推理令牌 25,991 响应时间（平均） 12.12s 响应时间（总计） 278.70s 响应时间（最大） 82.74s 答案错误: 2 智能体任务 : 10.0 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 : 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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
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 7 输入令牌 378,048 输出令牌 56,477 推理令牌 865,151 响应时间（平均） 111.54s 响应时间（总计） 2565.38s 响应时间（最大） 950.25s 无答案: 3 超时: 3 答案错误: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 7.4 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
#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
#248#248	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
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 309,715 输出令牌 16,170 推理令牌 422,721 响应时间（平均） 19.04s 响应时间（总计） 437.98s 响应时间（最大） 309.35s 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 : 8.3 编程 : 5.5 综合 : 3.0 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
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
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 8 输入令牌 98,508 输出令牌 8,088 推理令牌 131,484 响应时间（平均） 24.96s 响应时间（总计） 574.12s 响应时间（最大） 335.41s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.1 综合 : 4.1 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#346#346	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 63.8% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 智能体任务 : 0.0 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 : 5.3 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 0.0
#45#45	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
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 85.5% 不稳定测试 2 输入令牌 244,533 输出令牌 3,450 推理令牌 39,280 响应时间（平均） 7.85s 响应时间（总计） 180.45s 响应时间（最大） 53.74s 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 : 7.8 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#12#12	GPT-6.1 Solhigh	9.6	OpenAI	$0.755	15.46s
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 94.2% 不稳定测试 1 输入令牌 174,960 输出令牌 5,780 推理令牌 34,728 响应时间（平均） 15.46s 响应时间（总计） 355.66s 响应时间（最大） 139.76s 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 : 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 : 4.7
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
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 59.4% 不稳定测试 3 输入令牌 287,669 输出令牌 47,204 推理令牌 375,030 响应时间（平均） 144.88s 响应时间（总计） 3332.19s 响应时间（最大） 939.52s 答案错误: 8 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#111#111	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
查看模型卡片总测试数 23 错误测试数 4 可靠性 9.9 尝试通过率 89.9% 不稳定测试 3 输入令牌 187,331 输出令牌 7,555 推理令牌 159,931 响应时间（平均） 16.64s 响应时间（总计） 382.64s 响应时间（最大） 108.60s 答案错误: 2 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.0 综合 : 8.7 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
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
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 53.6% 不稳定测试 4 输入令牌 275,080 输出令牌 32,447 推理令牌 372,188 响应时间（平均） 151.67s 响应时间（总计） 3488.43s 响应时间（最大） 941.66s 答案错误: 7 未遵循指令: 2 无答案: 2 超时: 2 智能体任务 : 10.0 反AI技巧 : 8.9 编程 : 7.8 综合 : 10.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#187#187	Grok 4.6low	6.9	X AI	$0.781	16.44s
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 66.7% 不稳定测试 1 输入令牌 263,427 输出令牌 6,006 推理令牌 36,309 响应时间（平均） 16.44s 响应时间（总计） 378.14s 响应时间（最大） 57.97s 答案错误: 8 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 5.5 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#149#149	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
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 5 输入令牌 258,760 输出令牌 22,221 推理令牌 630,059 响应时间（平均） 45.45s 响应时间（总计） 1045.45s 响应时间（最大） 578.13s 答案错误: 8 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 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#320#320	Ember-1none	5.4	Fireworks	$0.786	22.65s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.8 尝试通过率 43.5% 不稳定测试 4 输入令牌 202,617 输出令牌 11,832 推理令牌 0 响应时间（平均） 22.65s 响应时间（总计） 520.91s 响应时间（最大） 93.12s 答案错误: 10 API 错误: 5 智能体任务 : 6.1 反AI技巧 : 5.2 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.4 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 42.0% 不稳定测试 8 输入令牌 283,116 输出令牌 277,920 推理令牌 665,124 响应时间（平均） 74.52s 响应时间（总计） 1713.90s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#211#211	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 60.9% 不稳定测试 3 输入令牌 207,852 输出令牌 5,555 推理令牌 0 响应时间（平均） 4.61s 响应时间（总计） 105.93s 响应时间（最大） 58.28s 答案错误: 10 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#234#234	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
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 56.5% 不稳定测试 2 输入令牌 199,105 输出令牌 4,274 推理令牌 195,495 响应时间（平均） 11.10s 响应时间（总计） 255.26s 响应时间（最大） 54.48s 答案错误: 6 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 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 : 7.8 工具调用 : 3.0 常识问答 : 3.0
#223#223	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
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 58.0% 不稳定测试 3 输入令牌 282,192 输出令牌 75,306 推理令牌 700,868 响应时间（平均） 59.92s 响应时间（总计） 1258.32s 响应时间（最大） 817.57s 答案错误: 6 API 错误: 2 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 : 7.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 60.9% 不稳定测试 8 输入令牌 292,271 输出令牌 55,025 推理令牌 186,071 响应时间（平均） 125.76s 响应时间（总计） 2137.84s 响应时间（最大） 566.79s 答案错误: 5 超时: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 3.9 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
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 49.3% 不稳定测试 7 输入令牌 319,352 输出令牌 158,447 推理令牌 875,524 响应时间（平均） 84.01s 响应时间（总计） 1932.24s 响应时间（最大） 525.14s 答案错误: 9 未遵循指令: 4 无效工具调用: 2 智能体任务 : 6.1 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 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 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
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 94.2% 不稳定测试 1 输入令牌 235,726 输出令牌 6,669 推理令牌 245,867 响应时间（平均） 21.57s 响应时间（总计） 496.12s 响应时间（最大） 117.26s 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.6 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 : 10.0
#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
#64#64	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 78.3% 不稳定测试 3 输入令牌 254,914 输出令牌 10,303 推理令牌 121,928 响应时间（平均） 11.81s 响应时间（总计） 271.60s 响应时间（最大） 56.77s 答案错误: 4 未遵循指令: 3 智能体任务 : 10.0 反AI技巧 : 9.2 编程 : 8.4 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#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

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