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）
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
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 75.4% 不稳定测试 4 输入令牌 295,642 输出令牌 115,041 推理令牌 353,398 响应时间（平均） 120.88s 响应时间（总计） 2780.16s 响应时间（最大） 532.28s 答案错误: 4 未遵循指令: 2 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 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
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 69.6% 不稳定测试 2 输入令牌 324,691 输出令牌 181,251 推理令牌 506,441 响应时间（平均） 87.39s 响应时间（总计） 2010.08s 响应时间（最大） 665.85s 无答案: 4 答案错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 2.8 常识问答 : 3.0
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.3 尝试通过率 66.7% 不稳定测试 1 输入令牌 94,153 输出令牌 9,606 推理令牌 142,834 响应时间（平均） 22.96s 响应时间（总计） 528.08s 响应时间（最大） 143.21s API 错误: 6 答案错误: 2 智能体任务 : 3.0 反AI技巧 : 8.3 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 : 6.5 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 2.8
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
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 229,986 输出令牌 6,037 推理令牌 95,550 响应时间（平均） 20.37s 响应时间（总计） 468.52s 响应时间（最大） 106.93s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 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 : 5.9 通用智能 : 5.1 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
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 6 输入令牌 278,792 输出令牌 1,695 推理令牌 142,270 响应时间（平均） 24.79s 响应时间（总计） 570.26s 响应时间（最大） 159.62s 答案错误: 6 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.4 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 : 9.8 谜题求解 : 8.2 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
#156#156	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
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 5 输入令牌 257,138 输出令牌 13,830 推理令牌 55,775 响应时间（平均） 16.98s 响应时间（总计） 390.45s 响应时间（最大） 85.12s 答案错误: 5 无效工具调用: 2 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.7 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 : 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
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
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 157,142 输出令牌 8,149 推理令牌 24,357 响应时间（平均） 11.87s 响应时间（总计） 272.91s 响应时间（最大） 36.59s 答案错误: 3 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.0 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 : 7.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 2.8
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
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 326,066 输出令牌 5,726 推理令牌 469,019 响应时间（平均） 117.65s 响应时间（总计） 2706.03s 响应时间（最大） 660.89s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
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 132,507 输出令牌 12,739 推理令牌 228,626 响应时间（平均） 20.51s 响应时间（总计） 471.64s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.4 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 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
#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
#199#199	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
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 66.7% 不稳定测试 1 输入令牌 397,291 输出令牌 6,355 推理令牌 143,752 响应时间（平均） 6.66s 响应时间（总计） 153.29s 响应时间（最大） 74.63s 答案错误: 4 API 错误: 1 未遵循指令: 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 : 7.8 综合 : 6.5 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 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#261#261	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 68.1% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#321#321	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 60.9% 不稳定测试 0 输入令牌 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s API 错误: 3 答案错误: 3 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 10.0 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 : 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
#350#350	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 21 错误测试数 7 可靠性不适用尝试通过率 60.9% 不稳定测试 0 输入令牌 28,848 输出令牌 1,490 推理令牌 10,102 响应时间（平均） 9.05s 响应时间（总计） 90.53s 响应时间（最大） 26.24s API 错误: 4 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.0 综合 : 1.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#172#172	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 76.8% 不稳定测试 5 输入令牌 212,440 输出令牌 22,922 推理令牌 115,335 响应时间（平均） 39.05s 响应时间（总计） 546.68s 响应时间（最大） 110.70s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 5.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
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 81.2% 不稳定测试 5 输入令牌 271,242 输出令牌 11,803 推理令牌 397,838 响应时间（平均） 92.38s 响应时间（总计） 2124.67s 响应时间（最大） 482.30s API 错误: 2 答案错误: 2 额外格式: 1 无答案: 1 超时: 1 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 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.9 尝试通过率 76.8% 不稳定测试 3 输入令牌 278,684 输出令牌 10,151 推理令牌 48,907 响应时间（平均） 21.62s 响应时间（总计） 497.25s 响应时间（最大） 119.16s 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 : 9.2 编程 : 10.0 综合 : 8.4 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 : 8.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#56#56	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
#60#60	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
#62#62	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	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
#63#63	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	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
#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
#68#68	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

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