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）
#52#52	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
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 82.6% 不稳定测试 3 输入令牌 255,743 输出令牌 8,684 推理令牌 207,435 响应时间（平均） 54.04s 响应时间（总计） 1242.97s 响应时间（最大） 333.47s 答案错误: 2 额外格式: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 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 : 9.8 谜题求解 : 8.7 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
#178#178	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
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 66.7% 不稳定测试 6 输入令牌 256,428 输出令牌 9,786 推理令牌 575,630 响应时间（平均） 54.57s 响应时间（总计） 1255.15s 响应时间（最大） 345.18s 答案错误: 5 未遵循指令: 2 无答案: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 8.4 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 8.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#204#204	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
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 58.0% 不稳定测试 1 输入令牌 358,616 输出令牌 9,651 推理令牌 520,155 响应时间（平均） 55.13s 响应时间（总计） 1268.10s 响应时间（最大） 252.69s 答案错误: 6 额外格式: 3 无效工具调用: 1 智能体任务 : 3.4 反AI技巧 : 8.3 编程 : 5.7 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 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
#306#306	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.5 尝试通过率 42.0% 不稳定测试 4 输入令牌 229,346 输出令牌 18,597 推理令牌 129,338 响应时间（平均） 56.40s 响应时间（总计） 1184.46s 响应时间（最大） 431.98s 答案错误: 6 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#293#293	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
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 53.6% 不稳定测试 10 输入令牌 314,436 输出令牌 13,578 推理令牌 294,343 响应时间（平均） 56.55s 响应时间（总计） 961.32s 响应时间（最大） 227.89s 答案错误: 11 未遵循指令: 2 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 6.5 编程 : 7.0 综合 : 6.4 数据解析与提取 : 3.7 领域专项 : 3.4 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 50.7% 不稳定测试 2 输入令牌 25,987 输出令牌 216,719 推理令牌 0 响应时间（平均） 56.57s 响应时间（总计） 848.59s 响应时间（最大） 149.94s API 错误: 7 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 6.4 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#241#241	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
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 63.8% 不稳定测试 7 输入令牌 253,462 输出令牌 40,269 推理令牌 185,716 响应时间（平均） 56.72s 响应时间（总计） 1304.54s 响应时间（最大） 333.34s 答案错误: 4 额外格式: 3 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 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#163#163	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
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 69.6% 不稳定测试 3 输入令牌 222,601 输出令牌 8,185 推理令牌 238,605 响应时间（平均） 57.41s 响应时间（总计） 1263.02s 响应时间（最大） 307.08s 答案错误: 6 API 错误: 1 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.1 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
查看模型卡片总测试数 23 错误测试数 11 可靠性 8.6 尝试通过率 71.0% 不稳定测试 8 输入令牌 195,489 输出令牌 12,475 推理令牌 108,748 响应时间（平均） 58.14s 响应时间（总计） 1337.19s 响应时间（最大） 255.06s API 错误: 7 答案错误: 2 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 8.2 综合 : 6.4 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 : 7.1 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#323#323	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.2 尝试通过率 33.3% 不稳定测试 1 输入令牌 332,917 输出令牌 18,989 推理令牌 42,362 响应时间（平均） 58.20s 响应时间（总计） 1338.65s 响应时间（最大） 566.80s 答案错误: 11 超时: 3 未遵循指令: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.3 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 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#97#97	Qwen3.7 Plusmedium	8.3	Qwen	$0.415 ↓	59.73s
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 76.8% 不稳定测试 3 输入令牌 350,546 输出令牌 8,576 推理令牌 206,984 响应时间（平均） 59.73s 响应时间（总计） 1373.73s 响应时间（最大） 315.30s 答案错误: 6 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.1 综合 : 8.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 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
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
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 55.1% 不稳定测试 8 输入令牌 363,310 输出令牌 381,919 推理令牌 0 响应时间（平均） 60.03s 响应时间（总计） 1380.67s 响应时间（最大） 459.99s 答案错误: 9 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 6.4 编程 : 6.6 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.0 指令遵循 : 5.6 谜题求解 : 7.9 工具调用 : 10.0 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
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.6 尝试通过率 95.7% 不稳定测试 0 输入令牌 181,223 输出令牌 5,707 推理令牌 58,909 响应时间（平均） 61.63s 响应时间（总计） 1417.51s 响应时间（最大） 960.01s 超时: 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 : 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
#80#80	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
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 1 输入令牌 487,516 输出令牌 10,212 推理令牌 909,487 响应时间（平均） 61.71s 响应时间（总计） 1419.40s 响应时间（最大） 288.94s 无答案: 3 答案错误: 1 智能体任务 : 4.7 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 : 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
#121#121	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
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 66.7% 不稳定测试 6 输入令牌 291,988 输出令牌 8,848 推理令牌 622,995 响应时间（平均） 61.90s 响应时间（总计） 1423.67s 响应时间（最大） 357.28s 答案错误: 6 无答案: 2 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 5.9 编程 : 7.2 综合 : 7.1 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#366#366	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
查看模型卡片总测试数 18 错误测试数 8 可靠性 10.0 尝试通过率 53.6% 不稳定测试 4 输入令牌 29,134 输出令牌 1,984 推理令牌 1,355,583 响应时间（平均） 61.96s 响应时间（总计） 1115.31s 响应时间（最大） 149.23s 答案错误: 4 未遵循指令: 3 无答案: 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 : 3.6 通用智能 : 5.0 指令遵循 : 7.3 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 0.0
#4#4	GPT-6.1 Solmax	9.9	OpenAI	$1.006	61.98s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.7 尝试通过率 95.7% 不稳定测试 0 输入令牌 183,607 输出令牌 5,741 推理令牌 58,082 响应时间（平均） 61.98s 响应时间（总计） 1425.65s 响应时间（最大） 960.01s 超时: 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 : 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
#86#86	Inklinghigh	8.4	Thinkingmachines	$1.238 ↓	62.72s
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 240,395 输出令牌 7,169 推理令牌 242,073 响应时间（平均） 62.72s 响应时间（总计） 1442.48s 响应时间（最大） 327.51s 答案错误: 4 无效工具调用: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.5 综合 : 7.3 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 : 9.8 谜题求解 : 6.9 工具调用 : 3.0 常识问答 : 3.0
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 24.6% 不稳定测试 4 输入令牌 230,291 输出令牌 99,030 推理令牌 287,794 响应时间（平均） 63.06s 响应时间（总计） 1450.31s 响应时间（最大） 560.31s 答案错误: 14 无效工具调用: 2 无答案: 2 未遵循指令: 1 智能体任务 : 3.4 反AI技巧 : 3.4 编程 : 5.3 综合 : 3.2 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 : 4.2 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#400#400	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.6 尝试通过率 18.8% 不稳定测试 1 输入令牌 99,662 输出令牌 146,555 推理令牌 732,977 响应时间（平均） 63.15s 响应时间（总计） 1389.35s 响应时间（最大） 252.08s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 6.6 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#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

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