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）
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
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 3 输入令牌 251,164 输出令牌 36,112 推理令牌 241,203 响应时间（平均） 78.76s 响应时间（总计） 1653.96s 响应时间（最大） 437.40s 答案错误: 4 API 错误: 2 无效工具调用: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.3 综合 : 2.9 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
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 73.9% 不稳定测试 6 输入令牌 310,049 输出令牌 6,094 推理令牌 566,221 响应时间（平均） 123.96s 响应时间（总计） 2851.07s 响应时间（最大） 775.64s 无答案: 4 答案错误: 3 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 : 5.3 综合 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#220#220	Beam 1.0 501B A23Bmedium	6.6	Reflection	$0.499	6.27s
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 65.2% 不稳定测试 2 输入令牌 202,937 输出令牌 4,328 推理令牌 94,193 响应时间（平均） 6.27s 响应时间（总计） 144.28s 响应时间（最大） 31.55s 答案错误: 6 API 错误: 3 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 : 2.9 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 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
#265#265	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
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 68.1% 不稳定测试 4 输入令牌 246,061 输出令牌 3,828 推理令牌 149,767 响应时间（平均） 14.13s 响应时间（总计） 268.55s 响应时间（最大） 85.26s API 错误: 4 答案错误: 4 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.8 综合 : 3.0 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
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 62.3% 不稳定测试 1 输入令牌 106,316 输出令牌 79,338 推理令牌 41,089 响应时间（平均） 28.08s 响应时间（总计） 421.15s 响应时间（最大） 140.96s 答案错误: 4 额外格式: 3 超时: 1 智能体任务 : 0.0 反AI技巧 : 6.5 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
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 75.4% 不稳定测试 5 输入令牌 277,967 输出令牌 9,240 推理令牌 383,606 响应时间（平均） 28.15s 响应时间（总计） 647.40s 响应时间（最大） 192.00s 答案错误: 4 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.1 编程 : 10.0 综合 : 8.0 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#55#55	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
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 75.4% 不稳定测试 4 输入令牌 292,604 输出令牌 9,569 推理令牌 278,408 响应时间（平均） 21.28s 响应时间（总计） 489.46s 响应时间（最大） 142.49s 未遵循指令: 3 答案错误: 3 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 10.0 综合 : 8.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
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 79.7% 不稳定测试 6 输入令牌 218,199 输出令牌 175,696 推理令牌 0 响应时间（平均） 28.26s 响应时间（总计） 649.90s 响应时间（最大） 151.76s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.5 编程 : 10.0 综合 : 8.2 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#61#61	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 78.3% 不稳定测试 5 输入令牌 256,646 输出令牌 10,490 推理令牌 210,325 响应时间（平均） 77.44s 响应时间（总计） 1781.16s 响应时间（最大） 643.19s 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 8.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 10.0 指令遵循 : 7.3 谜题求解 : 8.4 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
#70#70	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$1.204 ↑	61.58s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.4 尝试通过率 69.6% 不稳定测试 2 输入令牌 414,054 输出令牌 7,635 推理令牌 900,536 响应时间（平均） 61.58s 响应时间（总计） 1416.24s 响应时间（最大） 335.08s 答案错误: 6 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 : 3.6 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.5 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
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
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 76.8% 不稳定测试 5 输入令牌 281,863 输出令牌 24,535 推理令牌 507,976 响应时间（平均） 118.83s 响应时间（总计） 2733.01s 响应时间（最大） 600.61s 答案错误: 5 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 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
#89#89	GLM 5.2high	8.4	Z.ai	$4.632 ↑	69.11s
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 71.0% 不稳定测试 3 输入令牌 288,913 输出令牌 79,462 推理令牌 303,120 响应时间（平均） 69.11s 响应时间（总计） 1589.43s 响应时间（最大） 599.43s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.1 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
#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
#91#91	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
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 76.8% 不稳定测试 4 输入令牌 346,451 输出令牌 10,136 推理令牌 95,504 响应时间（平均） 10.41s 响应时间（总计） 239.38s 响应时间（最大） 52.61s 答案错误: 4 额外格式: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.0 综合 : 10.0 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 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#94#94	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
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 3 输入令牌 203,193 输出令牌 5,751 推理令牌 47,410 响应时间（平均） 18.07s 响应时间（总计） 415.53s 响应时间（最大） 66.44s 答案错误: 7 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 71.0% 不稳定测试 3 输入令牌 369,495 输出令牌 172,852 推理令牌 476,002 响应时间（平均） 88.74s 响应时间（总计） 2041.10s 响应时间（最大） 567.88s 无答案: 4 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 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#98#98	Gemini 4 Argonlow	8.2	Google	$0.438	5.72s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 79.7% 不稳定测试 6 输入令牌 188,162 输出令牌 6,097 推理令牌 0 响应时间（平均） 5.72s 响应时间（总计） 131.67s 响应时间（最大） 60.87s 答案错误: 5 API 错误: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.8 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 : 8.7 工具调用 : 4.7 常识问答 : 3.0
#101#101	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
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 71.0% 不稳定测试 2 输入令牌 172,507 输出令牌 5,824 推理令牌 27,365 响应时间（平均） 8.93s 响应时间（总计） 205.39s 响应时间（最大） 54.74s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 73.9% 不稳定测试 4 输入令牌 266,849 输出令牌 8,284 推理令牌 363,263 响应时间（平均） 28.04s 响应时间（总计） 645.03s 响应时间（最大） 149.84s 答案错误: 7 API 错误: 1 智能体任务 : 6.1 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 : 3.5 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 : 3.0
#108#108	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
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 71.0% 不稳定测试 4 输入令牌 197,896 输出令牌 6,211 推理令牌 133,184 响应时间（平均） 18.39s 响应时间（总计） 422.93s 响应时间（最大） 111.09s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.5 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#112#112	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
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 79.7% 不稳定测试 6 输入令牌 342,163 输出令牌 1,518 推理令牌 133,777 响应时间（平均） 23.66s 响应时间（总计） 544.16s 响应时间（最大） 166.72s 答案错误: 6 未遵循指令: 1 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 : 6.9 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 : 8.7 工具调用 : 10.0 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

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