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）
#72#72	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
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 4 输入令牌 342,579 输出令牌 12,848 推理令牌 70,193 响应时间（平均） 14.98s 响应时间（总计） 344.60s 响应时间（最大） 54.92s 答案错误: 3 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 : 8.2 综合 : 8.7 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#73#73	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
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 81.2% 不稳定测试 5 输入令牌 345,687 输出令牌 13,550 推理令牌 34,743 响应时间（平均） 10.79s 响应时间（总计） 248.22s 响应时间（最大） 51.53s 答案错误: 5 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 : 10.0 综合 : 8.2 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#74#74	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
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 296,301 输出令牌 10,672 推理令牌 50,978 响应时间（平均） 7.51s 响应时间（总计） 172.74s 响应时间（最大） 44.43s 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.9 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#77#77	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
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 82.6% 不稳定测试 5 输入令牌 270,231 输出令牌 13,363 推理令牌 121,332 响应时间（平均） 17.73s 响应时间（总计） 407.75s 响应时间（最大） 78.72s 答案错误: 4 API 错误: 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 : 10.0 编程 : 8.2 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#78#78	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
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 353,658 输出令牌 54,891 推理令牌 18,370 响应时间（平均） 15.01s 响应时间（总计） 345.16s 响应时间（最大） 69.26s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 9.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
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 313,881 输出令牌 123,706 推理令牌 388,328 响应时间（平均） 120.40s 响应时间（总计） 2769.16s 响应时间（最大） 534.21s 答案错误: 5 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 : 7.8 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 3.2 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
#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
#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
#118#118	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
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 69.6% 不稳定测试 0 输入令牌 243,553 输出令牌 20,670 推理令牌 0 响应时间（平均） 7.85s 响应时间（总计） 180.65s 响应时间（最大） 80.34s 答案错误: 7 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 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 : 3.0
#122#122	Muse Wondermax	7.9	Meta	$4.766	44.39s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.0 尝试通过率 75.4% 不稳定测试 3 输入令牌 93,126 输出令牌 10,497 推理令牌 209,138 响应时间（平均） 44.39s 响应时间（总计） 1021.02s 响应时间（最大） 287.79s API 错误: 4 答案错误: 2 未遵循指令: 1 智能体任务 : 3.0 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 : 7.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 2.8
#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
#129#129	Grok 4.5low	7.8	X AI	$1.345	18.14s
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 308,068 输出令牌 9,218 推理令牌 112,197 响应时间（平均） 18.14s 响应时间（总计） 417.21s 响应时间（最大） 205.28s 答案错误: 7 智能体任务 : 5.0 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 : 2.9 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
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
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 71.0% 不稳定测试 1 输入令牌 224,367 输出令牌 27,095 推理令牌 242,256 响应时间（平均） 105.03s 响应时间（总计） 2310.63s 响应时间（最大） 912.19s 无答案: 2 超时: 2 答案错误: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 2.9 综合 : 6.3 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
#168#168	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
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 81.2% 不稳定测试 5 输入令牌 215,836 输出令牌 9,452 推理令牌 33,289 响应时间（平均） 7.54s 响应时间（总计） 173.36s 响应时间（最大） 67.18s 答案错误: 6 无答案: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 5.4 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.8 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
#169#169	Claude Opus 4.8low	7.2	Anthropic	$3.787	17.13s
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 78.3% 不稳定测试 4 输入令牌 409,947 输出令牌 46,060 推理令牌 23,429 响应时间（平均） 17.13s 响应时间（总计） 394.01s 响应时间（最大） 127.97s 答案错误: 5 额外格式: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.6 综合 : 9.9 数据解析与提取 : 6.3 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
#188#188	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
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 72.5% 不稳定测试 2 输入令牌 251,677 输出令牌 11,196 推理令牌 31,204 响应时间（平均） 8.51s 响应时间（总计） 195.76s 响应时间（最大） 52.64s 答案错误: 7 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 5.8 综合 : 3.0 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#100#100	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.6 尝试通过率 81.2% 不稳定测试 4 输入令牌 227,164 输出令牌 20,029 推理令牌 60,991 响应时间（平均） 26.88s 响应时间（总计） 591.34s 响应时间（最大） 102.40s 答案错误: 3 无答案: 2 超时: 1 智能体任务 : 10.0 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 : 4.1 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
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.4 尝试通过率 76.8% 不稳定测试 1 输入令牌 270,889 输出令牌 10,688 推理令牌 328,857 响应时间（平均） 151.96s 响应时间（总计） 3495.01s 响应时间（最大） 960.01s 超时: 2 答案错误: 2 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 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#32#32	Muse Wondermedium	9.2	Meta	$3.397	21.58s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.1 尝试通过率 76.8% 不稳定测试 1 输入令牌 241,489 输出令牌 11,575 推理令牌 109,971 响应时间（平均） 21.58s 响应时间（总计） 496.40s 响应时间（最大） 162.73s API 错误: 4 答案错误: 2 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 : 10.0 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 6.6 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 4.7
#37#37	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
#39#39	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
#40#40	Muse Wonderlow	9.1	Meta	$2.637	16.00s
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 76.8% 不稳定测试 1 输入令牌 244,997 输出令牌 11,148 推理令牌 71,699 响应时间（平均） 16.00s 响应时间（总计） 367.91s 响应时间（最大） 83.98s 答案错误: 4 API 错误: 2 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 : 5.3 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 5.9 工具调用 : 9.8 常识问答 : 3.0
#42#42	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
#43#43	Muse Wonderminimal	9.1	Meta	$1.639	7.72s
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 76.8% 不稳定测试 2 输入令牌 238,532 输出令牌 9,812 推理令牌 24,412 响应时间（平均） 7.72s 响应时间（总计） 177.57s 响应时间（最大） 42.89s API 错误: 3 答案错误: 3 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 : 5.3 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#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

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