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）
#401#401	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
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 23.2% 不稳定测试 3 输入令牌 103,898 输出令牌 148,304 推理令牌 774,972 响应时间（平均） 64.99s 响应时间（总计） 1429.68s 响应时间（最大） 262.20s 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 : 2.7 领域专项 : 3.0 通用智能 : 3.8 指令遵循 : 6.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
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 56.5% 不稳定测试 3 输入令牌 113,613 输出令牌 122,706 推理令牌 42,325 响应时间（平均） 65.52s 响应时间（总计） 1376.01s 响应时间（最大） 304.19s 答案错误: 6 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 5.3 综合 : 7.3 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
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 58.0% 不稳定测试 6 输入令牌 260,850 输出令牌 125,908 推理令牌 516,424 响应时间（平均） 66.13s 响应时间（总计） 1520.96s 响应时间（最大） 417.36s 答案错误: 8 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 7.9 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#144#144	GLM 5.1medium	7.5	Z.ai	$1.546 ↑	66.38s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.2 尝试通过率 66.7% 不稳定测试 4 输入令牌 331,577 输出令牌 17,919 推理令牌 230,789 响应时间（平均） 66.38s 响应时间（总计） 1460.31s 响应时间（最大） 308.75s 答案错误: 5 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.8 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#181#181	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 79.7% 不稳定测试 2 输入令牌 79,249 输出令牌 5,097 推理令牌 165,276 响应时间（平均） 66.52s 响应时间（总计） 1463.50s 响应时间（最大） 238.07s 答案错误: 4 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 8.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#186#186	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
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 5 输入令牌 251,695 输出令牌 49,415 推理令牌 472,775 响应时间（平均） 66.96s 响应时间（总计） 1539.99s 响应时间（最大） 519.30s 答案错误: 5 无效工具调用: 2 超时: 2 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#383#383	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
查看模型卡片总测试数 16 错误测试数 3 可靠性不适用尝试通过率 56.5% 不稳定测试 0 输入令牌 28,980 输出令牌 1,283 推理令牌 1,533,310 响应时间（平均） 68.14s 响应时间（总计） 1090.28s 响应时间（最大） 280.52s 答案错误: 2 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 7.5 编程 : 0.0 综合 : 5.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#124#124	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
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 308,369 输出令牌 7,013 推理令牌 299,031 响应时间（平均） 68.44s 响应时间（总计） 1574.14s 响应时间（最大） 436.38s 答案错误: 6 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 7.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 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
#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
#133#133	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
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 66.7% 不稳定测试 8 输入令牌 281,859 输出令牌 102,526 推理令牌 286,217 响应时间（平均） 69.87s 响应时间（总计） 1607.12s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 8.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 8.4 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 3.0
#255#255	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
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 62.3% 不稳定测试 7 输入令牌 306,662 输出令牌 17,819 推理令牌 125,341 响应时间（平均） 70.08s 响应时间（总计） 1611.86s 响应时间（最大） 376.10s 答案错误: 6 API 错误: 2 超时: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 6.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
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 58.0% 不稳定测试 9 输入令牌 208,598 输出令牌 120,583 推理令牌 590,044 响应时间（平均） 70.32s 响应时间（总计） 1617.43s 响应时间（最大） 459.19s 答案错误: 10 未遵循指令: 2 无答案: 2 额外格式: 1 智能体任务 : 4.7 反AI技巧 : 8.7 编程 : 4.2 综合 : 9.9 数据解析与提取 : 4.5 领域专项 : 3.6 通用智能 : 3.8 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
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 59.4% 不稳定测试 7 输入令牌 255,887 输出令牌 154,879 推理令牌 603,518 响应时间（平均） 70.48s 响应时间（总计） 1620.93s 响应时间（最大） 480.52s 答案错误: 9 无答案: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 5.8 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 8.3 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#399#399	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
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 23.2% 不稳定测试 3 输入令牌 115,314 输出令牌 133,965 推理令牌 816,718 响应时间（平均） 72.24s 响应时间（总计） 1589.23s 响应时间（最大） 345.15s 无答案: 7 答案错误: 6 未遵循指令: 3 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 6.4 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#99#99	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
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 342,124 输出令牌 7,135 推理令牌 326,497 响应时间（平均） 72.50s 响应时间（总计） 1667.51s 响应时间（最大） 676.83s 答案错误: 3 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 : 10.0 综合 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#219#219	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
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 58.0% 不稳定测试 4 输入令牌 421,200 输出令牌 1,100,052 推理令牌 0 响应时间（平均） 72.72s 响应时间（总计） 1672.53s 响应时间（最大） 364.99s 答案错误: 8 无答案: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 5.4 反AI技巧 : 10.0 编程 : 4.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#103#103	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
查看模型卡片总测试数 23 错误测试数 9 可靠性 8.9 尝试通过率 78.3% 不稳定测试 6 输入令牌 237,604 输出令牌 9,617 推理令牌 244,190 响应时间（平均） 73.02s 响应时间（总计） 1679.49s 响应时间（最大） 485.92s 答案错误: 7 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.0 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 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 42.0% 不稳定测试 8 输入令牌 283,116 输出令牌 277,920 推理令牌 665,124 响应时间（平均） 74.52s 响应时间（总计） 1713.90s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#127#127	Grok 4.6medium	7.8	X AI	$2.270	74.77s
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 336,351 输出令牌 6,180 推理令牌 260,017 响应时间（平均） 74.77s 响应时间（总计） 1719.73s 响应时间（最大） 514.35s 答案错误: 6 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 10.0 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#208#208	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.7 尝试通过率 59.4% 不稳定测试 5 输入令牌 166,517 输出令牌 107,386 推理令牌 217,548 响应时间（平均） 77.03s 响应时间（总计） 1694.74s 响应时间（最大） 431.03s 答案错误: 5 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 3.0 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#330#330	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.6 尝试通过率 47.8% 不稳定测试 12 输入令牌 170,517 输出令牌 149,968 推理令牌 509,725 响应时间（平均） 77.08s 响应时间（总计） 1772.78s 响应时间（最大） 490.99s 答案错误: 11 未遵循指令: 4 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 5.5 编程 : 4.4 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.7 指令遵循 : 8.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#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
#417#417	Command A+none	3.0	Cohere	$0.000	77.87s
查看模型卡片总测试数 23 错误测试数 23 可靠性 0.0 尝试通过率 0.0% 不稳定测试 0 输入令牌 0 输出令牌 0 推理令牌 0 响应时间（平均） 77.87s 响应时间（总计） 1791.03s 响应时间（最大） 106.37s API 错误: 23 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#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
#183#183	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
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 60.9% 不稳定测试 5 输入令牌 245,179 输出令牌 62,697 推理令牌 196,621 响应时间（平均） 81.18s 响应时间（总计） 1785.87s 响应时间（最大） 365.80s 答案错误: 8 超时: 2 API 错误: 1 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 7.3 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.7 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 3.0 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