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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#57#57	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
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 79.7% 不稳定测试 5 输入令牌 234,572 输出令牌 8,019 推理令牌 761,563 响应时间（平均） 189.13s 响应时间（总计） 4349.92s 响应时间（最大） 885.33s 答案错误: 5 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.2 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 : 6.1 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#56#56	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
#55#55	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.7 尝试通过率 78.3% 不稳定测试 2 输入令牌 348,967 输出令牌 1,005 推理令牌 676,075 响应时间（平均） 166.34s 响应时间（总计） 3825.81s 响应时间（最大） 640.85s 未遵循指令: 2 无答案: 2 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#54#54	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
#53#53	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
#52#52	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.231 ↓	32.88s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 280,643 输出令牌 7,342 推理令牌 437,323 响应时间（平均） 32.88s 响应时间（总计） 756.34s 响应时间（最大） 276.31s 答案错误: 5 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 : 2.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#51#51	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.241 ↓	33.27s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.7 尝试通过率 75.4% 不稳定测试 3 输入令牌 282,490 输出令牌 8,621 推理令牌 455,535 响应时间（平均） 33.27s 响应时间（总计） 765.12s 响应时间（最大） 205.53s 答案错误: 5 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 : 5.3 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#50#50	GPT-5.4medium	8.8	OpenAI	$2.213 ↑	24.81s
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 4 输入令牌 223,210 输出令牌 7,312 推理令牌 89,190 响应时间（平均） 24.81s 响应时间（总计） 570.60s 响应时间（最大） 100.41s 答案错误: 5 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 8.8 综合 : 10.0 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#49#49	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
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 81.2% 不稳定测试 3 输入令牌 262,495 输出令牌 7,787 推理令牌 86,149 响应时间（平均） 25.09s 响应时间（总计） 577.14s 响应时间（最大） 155.75s 答案错误: 5 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 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 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#48#48	Claude Fable 5medium	8.9	Anthropic	$5.089	16.84s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 79.7% 不稳定测试 1 输入令牌 272,411 输出令牌 35,497 推理令牌 11,788 响应时间（平均） 16.84s 响应时间（总计） 387.26s 响应时间（最大） 80.80s 无答案: 3 无效工具调用: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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
#47#47	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
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 73.9% 不稳定测试 2 输入令牌 305,707 输出令牌 10,240 推理令牌 291,479 响应时间（平均） 27.02s 响应时间（总计） 621.38s 响应时间（最大） 165.38s 答案错误: 4 未遵循指令: 2 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 : 8.3 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 : 6.5 谜题求解 : 7.9 工具调用 : 9.8 常识问答 : 3.0
#46#46	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
#45#45	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
#44#44	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
#43#43	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
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 89.9% 不稳定测试 3 输入令牌 197,570 输出令牌 6,364 推理令牌 50,704 响应时间（平均） 6.82s 响应时间（总计） 156.81s 响应时间（最大） 48.53s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 7.6 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 : 10.0
#42#42	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
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 84.1% 不稳定测试 1 输入令牌 352,845 输出令牌 16,553 推理令牌 7,007 响应时间（平均） 9.87s 响应时间（总计） 226.95s 响应时间（最大） 73.15s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.8 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
#41#41	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 84.1% 不稳定测试 2 输入令牌 244,529 输出令牌 6,784 推理令牌 213,142 响应时间（平均） 11.92s 响应时间（总计） 274.14s 响应时间（最大） 53.09s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 9.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#40#40	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 85.5% 不稳定测试 3 输入令牌 250,676 输出令牌 13,511 推理令牌 315,400 响应时间（平均） 39.83s 响应时间（总计） 916.20s 响应时间（最大） 219.77s 答案错误: 4 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 : 7.3 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 : 10.0 工具调用 : 9.6 常识问答 : 3.0
#39#39	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 84.1% 不稳定测试 2 输入令牌 268,540 输出令牌 7,499 推理令牌 85,499 响应时间（平均） 30.42s 响应时间（总计） 699.68s 响应时间（最大） 168.09s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#38#38	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
#36#36	Paretonone	9.1	Unbiased	$1.520	33.47s
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 87.0% 不稳定测试 2 输入令牌 223,559 输出令牌 128,144 推理令牌 0 响应时间（平均） 33.47s 响应时间（总计） 769.84s 响应时间（最大） 143.33s 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 : 7.2 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 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#37#37	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
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 79.7% 不稳定测试 3 输入令牌 246,954 输出令牌 8,378 推理令牌 698,942 响应时间（平均） 170.52s 响应时间（总计） 3922.04s 响应时间（最大） 584.71s 答案错误: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.2 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 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#35#35	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
#34#34	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
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 84.1% 不稳定测试 4 输入令牌 222,794 输出令牌 7,357 推理令牌 58,930 响应时间（平均） 18.87s 响应时间（总计） 433.94s 响应时间（最大） 100.93s 答案错误: 4 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.7 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 : 4.6 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 2.8
#33#33	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
查看模型卡片总测试数 23 错误测试数 5 可靠性 9.8 尝试通过率 87.0% 不稳定测试 3 输入令牌 328,637 输出令牌 8,619 推理令牌 432,733 响应时间（平均） 186.06s 响应时间（总计） 4279.49s 响应时间（最大） 912.78s 答案错误: 2 未遵循指令: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 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 : 5.9 通用智能 : 6.5 指令遵循 : 9.8 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