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）
#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
#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
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
查看模型卡片总测试数 23 错误测试数 20 可靠性 6.2 尝试通过率 15.9% 不稳定测试 1 输入令牌 185,167 输出令牌 9,430 推理令牌 0 响应时间（平均） 40.38s 响应时间（总计） 928.76s 响应时间（最大） 95.32s 答案错误: 14 API 错误: 2 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.3 编程 : 3.8 综合 : 3.0 数据解析与提取 : 8.7 领域专项 : 6.8 通用智能 : 5.1 指令遵循 : 7.0 谜题求解 : 4.6 工具调用 : 3.0 常识问答 : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.927	40.60s
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 98.6% 不稳定测试 1 输入令牌 334,568 输出令牌 11,394 推理令牌 435,334 响应时间（平均） 40.60s 响应时间（总计） 933.73s 响应时间（最大） 177.08s 无答案: 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 : 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
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不稳定测试 6 输入令牌 318,058 输出令牌 16,035 推理令牌 315,072 响应时间（平均） 41.03s 响应时间（总计） 943.75s 响应时间（最大） 394.54s 答案错误: 7 未遵循指令: 3 API 错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.7 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 8.5 谜题求解 : 7.3 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
#412#412	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
查看模型卡片总测试数 23 错误测试数 23 可靠性 8.8 尝试通过率 7.3% 不稳定测试 4 输入令牌 153,665 输出令牌 26,540 推理令牌 0 响应时间（平均） 42.72s 响应时间（总计） 982.66s 响应时间（最大） 634.11s 答案错误: 13 未遵循指令: 5 API 错误: 3 无效工具调用: 1 无答案: 1 智能体任务 : 3.0 反AI技巧 : 3.3 编程 : 3.6 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 4.0 谜题求解 : 3.1 工具调用 : 4.7 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
#122#122	Muse Wondermax	7.9	Meta	$4.766	44.39s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.0 尝试通过率 75.4% 不稳定测试 3 输入令牌 93,126 输出令牌 10,497 推理令牌 209,138 响应时间（平均） 44.39s 响应时间（总计） 1021.02s 响应时间（最大） 287.79s API 错误: 4 答案错误: 2 未遵循指令: 1 智能体任务 : 3.0 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 : 2.9 通用智能 : 10.0 指令遵循 : 7.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 2.8
#230#230	Grok 4.3medium	6.5	X AI	$0.989	44.53s
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 325,471 输出令牌 14,867 推理令牌 217,675 响应时间（平均） 44.53s 响应时间（总计） 1024.25s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 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
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
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 71.0% 不稳定测试 7 输入令牌 293,775 输出令牌 13,527 推理令牌 396,291 响应时间（平均） 45.48s 响应时间（总计） 1045.97s 响应时间（最大） 431.47s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 8.2 综合 : 6.9 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 : 9.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
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 315,290 输出令牌 1,607 推理令牌 207,536 响应时间（平均） 46.60s 响应时间（总计） 1071.83s 响应时间（最大） 376.04s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 7.7 综合 : 10.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#305#305	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.7 尝试通过率 43.5% 不稳定测试 4 输入令牌 251,253 输出令牌 3,892 推理令牌 0 响应时间（平均） 46.97s 响应时间（总计） 1080.29s 响应时间（最大） 872.07s 答案错误: 11 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 3.6 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 : 10.0 谜题求解 : 4.6 工具调用 : 10.0 常识问答 : 3.0
#79#79	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 85.5% 不稳定测试 4 输入令牌 367,848 输出令牌 8,753 推理令牌 250,279 响应时间（平均） 48.35s 响应时间（总计） 1112.11s 响应时间（最大） 556.06s 答案错误: 5 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 4.1 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
#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
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
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 43.5% 不稳定测试 2 输入令牌 7,608 输出令牌 17,529 推理令牌 34,499 响应时间（平均） 48.94s 响应时间（总计） 831.92s 响应时间（最大） 143.82s API 错误: 7 答案错误: 5 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
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 46.4% 不稳定测试 3 输入令牌 352,516 输出令牌 33,786 推理令牌 504,506 响应时间（平均） 48.97s 响应时间（总计） 1126.35s 响应时间（最大） 422.72s 答案错误: 10 无效工具调用: 2 无答案: 2 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#179#179	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
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 69.6% 不稳定测试 7 输入令牌 259,664 输出令牌 8,414 推理令牌 333,097 响应时间（平均） 49.20s 响应时间（总计） 1131.69s 响应时间（最大） 316.27s 答案错误: 5 额外格式: 2 无答案: 2 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 : 6.2 综合 : 8.7 数据解析与提取 : 2.7 领域专项 : 3.6 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#81#81	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.9 尝试通过率 82.6% 不稳定测试 6 输入令牌 296,001 输出令牌 8,105 推理令牌 600,178 响应时间（平均） 49.88s 响应时间（总计） 1147.24s 响应时间（最大） 310.51s 答案错误: 3 未遵循指令: 2 无答案: 2 API 错误: 1 智能体任务 : 10.0 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 : 4.1 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
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 44.9% 不稳定测试 10 输入令牌 277,130 输出令牌 45,188 推理令牌 129,163 响应时间（平均） 50.32s 响应时间（总计） 1107.03s 响应时间（最大） 198.82s 答案错误: 6 未遵循指令: 5 无效工具调用: 2 无答案: 2 超时: 2 API 错误: 1 智能体任务 : 4.7 反AI技巧 : 7.9 编程 : 5.7 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#272#272	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.9 尝试通过率 37.7% 不稳定测试 1 输入令牌 259,708 输出令牌 16,567 推理令牌 33,580 响应时间（平均） 50.47s 响应时间（总计） 1160.91s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.4 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#216#216	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
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 62.3% 不稳定测试 8 输入令牌 300,394 输出令牌 14,081 推理令牌 500,844 响应时间（平均） 51.80s 响应时间（总计） 1191.42s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 4 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 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 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#435#435	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
查看模型卡片总测试数 1 错误测试数 0 可靠性 10.0 尝试通过率 4.4% 不稳定测试 0 输入令牌 134,050 输出令牌 1,029 推理令牌 11,528 响应时间（平均） 52.45s 响应时间（总计） 52.45s 响应时间（最大） 52.45s 智能体任务 : 10.0 反AI技巧 : 0.0 编程 : 0.0 综合 : 0.0 数据解析与提取 : 0.0 领域专项 : 0.0 通用智能 : 0.0 指令遵循 : 0.0 谜题求解 : 0.0 工具调用 : 0.0 常识问答 : 0.0
#39#39	Muse Spark 1.3high	9.1	Meta	$1.891	52.87s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 78.3% 不稳定测试 2 输入令牌 257,320 输出令牌 14,459 推理令牌 354,683 响应时间（平均） 52.87s 响应时间（总计） 1216.04s 响应时间（最大） 251.53s 答案错误: 3 未遵循指令: 2 无答案: 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 : 2.9 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 8.7 工具调用 : 9.6 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