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）
#20#20	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
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 91.3% 不稳定测试 3 输入令牌 191,341 输出令牌 5,665 推理令牌 32,340 响应时间（平均） 14.57s 响应时间（总计） 335.16s 响应时间（最大） 79.40s 答案错误: 4 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 : 5.9 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 : 4.7
#47#47	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
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
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 88.4% 不稳定测试 2 输入令牌 308,056 输出令牌 9,434 推理令牌 15,572 响应时间（平均） 25.68s 响应时间（总计） 590.71s 响应时间（最大） 89.16s 答案错误: 2 未遵循指令: 1 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 : 5.9 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
#265#265	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
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 68.1% 不稳定测试 4 输入令牌 246,061 输出令牌 3,828 推理令牌 149,767 响应时间（平均） 14.13s 响应时间（总计） 268.55s 响应时间（最大） 85.26s API 错误: 4 答案错误: 4 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.8 综合 : 3.0 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#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
#17#17	Gemini 4 Argonhigh	9.5	Google	$1.802	19.03s
查看模型卡片总测试数 23 错误测试数 2 可靠性 9.9 尝试通过率 97.1% 不稳定测试 2 输入令牌 240,264 输出令牌 5,707 推理令牌 126,366 响应时间（平均） 19.03s 响应时间（总计） 437.77s 响应时间（最大） 82.53s API 错误: 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 : 7.3 数据解析与提取 : 10.0 领域专项 : 8.2 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
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
查看模型卡片总测试数 23 错误测试数 3 可靠性 10.0 尝试通过率 89.9% 不稳定测试 1 输入令牌 290,117 输出令牌 9,805 推理令牌 22,322 响应时间（平均） 25.85s 响应时间（总计） 594.63s 响应时间（最大） 90.20s 答案错误: 2 无答案: 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 : 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
#23#23	GPT-5.5low	9.5	OpenAI	$1.822	11.91s
查看模型卡片总测试数 23 错误测试数 3 可靠性 10.0 尝试通过率 87.0% 不稳定测试 0 输入令牌 177,939 输出令牌 6,283 推理令牌 24,782 响应时间（平均） 11.91s 响应时间（总计） 273.82s 响应时间（最大） 56.19s 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
查看模型卡片总测试数 23 错误测试数 20 可靠性 6.5 尝试通过率 21.7% 不稳定测试 4 输入令牌 162,180 输出令牌 5,030 推理令牌 682,447 响应时间（平均） 207.21s 响应时间（总计） 4765.91s 响应时间（最大） 597.45s 答案错误: 13 API 错误: 5 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 6.0 编程 : 5.2 综合 : 2.9 数据解析与提取 : 8.7 领域专项 : 4.5 通用智能 : 7.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
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 79.7% 不稳定测试 6 输入令牌 218,199 输出令牌 175,696 推理令牌 0 响应时间（平均） 28.26s 响应时间（总计） 649.90s 响应时间（最大） 151.76s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.5 编程 : 10.0 综合 : 8.2 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 : 8.2 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
#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
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.927	40.60s
查看模型卡片总测试数 23 错误测试数 1 可靠性 10.0 尝试通过率 98.6% 不稳定测试 1 输入令牌 334,568 输出令牌 11,394 推理令牌 435,334 响应时间（平均） 40.60s 响应时间（总计） 933.73s 响应时间（最大） 177.08s 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 : 8.2 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
#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
#54#54	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
#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
#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
#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
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 62.3% 不稳定测试 1 输入令牌 106,316 输出令牌 79,338 推理令牌 41,089 响应时间（平均） 28.08s 响应时间（总计） 421.15s 响应时间（最大） 140.96s 答案错误: 4 额外格式: 3 超时: 1 智能体任务 : 0.0 反AI技巧 : 6.5 编程 : 5.7 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
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 319,095 输出令牌 10,371 推理令牌 32,411 响应时间（平均） 27.55s 响应时间（总计） 633.73s 响应时间（最大） 95.95s 答案错误: 2 未遵循指令: 1 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 : 5.3 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
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
查看模型卡片总测试数 23 错误测试数 2 可靠性 9.9 尝试通过率 91.3% 不稳定测试 0 输入令牌 159,023 输出令牌 4,935 推理令牌 6,454 响应时间（平均） 7.01s 响应时间（总计） 161.20s 响应时间（最大） 49.16s 答案错误: 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 : 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
#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
#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
#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
#195#195	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
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 60.9% 不稳定测试 2 输入令牌 345,059 输出令牌 24,343 推理令牌 0 响应时间（平均） 7.54s 响应时间（总计） 173.31s 响应时间（最大） 65.07s 答案错误: 5 额外格式: 3 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.8 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 7.7 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