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）
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.8 尝试通过率 47.8% 不稳定测试 12 输入令牌 195,780 输出令牌 167,746 推理令牌 598,384 响应时间（平均） 81.93s 响应时间（总计） 1884.31s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.5 尝试通过率 40.6% 不稳定测试 9 输入令牌 207,883 输出令牌 144,718 推理令牌 525,897 响应时间（平均） 83.19s 响应时间（总计） 1913.41s 响应时间（最大） 597.61s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 66.7% 不稳定测试 6 输入令牌 349,177 输出令牌 54,279 推理令牌 477,389 响应时间（平均） 83.68s 响应时间（总计） 1840.92s 响应时间（最大） 515.38s 答案错误: 5 超时: 3 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 : 3.7 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
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 49.3% 不稳定测试 7 输入令牌 319,352 输出令牌 158,447 推理令牌 875,524 响应时间（平均） 84.01s 响应时间（总计） 1932.24s 响应时间（最大） 525.14s 答案错误: 9 未遵循指令: 4 无效工具调用: 2 智能体任务 : 6.1 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 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 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
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 82.6% 不稳定测试 2 输入令牌 484,627 输出令牌 11,026 推理令牌 747,681 响应时间（平均） 84.26s 响应时间（总计） 1937.91s 响应时间（最大） 488.39s 无答案: 3 未遵循指令: 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 : 5.1 指令遵循 : 8.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.1 尝试通过率 15.9% 不稳定测试 2 输入令牌 226,872 输出令牌 133,268 推理令牌 0 响应时间（平均） 84.66s 响应时间（总计） 1947.17s 响应时间（最大） 747.17s 答案错误: 11 额外格式: 4 超时: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 4.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 72.5% 不稳定测试 5 输入令牌 269,143 输出令牌 6,833 推理令牌 785,200 响应时间（平均） 84.94s 响应时间（总计） 1953.70s 响应时间（最大） 527.47s 答案错误: 4 无答案: 3 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 66.7% 不稳定测试 6 输入令牌 271,890 输出令牌 190,841 推理令牌 513,329 响应时间（平均） 85.22s 响应时间（总计） 1960.12s 响应时间（最大） 432.81s 无答案: 4 未遵循指令: 3 答案错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.6 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 8.9 工具调用 : 4.7 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
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
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 82.6% 不稳定测试 0 输入令牌 376,233 输出令牌 6,687 推理令牌 305,927 响应时间（平均） 87.48s 响应时间（总计） 2012.15s 响应时间（最大） 618.49s 答案错误: 3 无答案: 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 : 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
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
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 71.0% 不稳定测试 6 输入令牌 231,356 输出令牌 43,054 推理令牌 370,981 响应时间（平均） 88.15s 响应时间（总计） 2027.36s 响应时间（最大） 438.65s 答案错误: 8 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 7.3 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 23.2% 不稳定测试 6 输入令牌 232,641 输出令牌 69,335 推理令牌 426,182 响应时间（平均） 88.24s 响应时间（总计） 2029.57s 响应时间（最大） 814.73s 答案错误: 16 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
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 71.0% 不稳定测试 3 输入令牌 369,495 输出令牌 172,852 推理令牌 476,002 响应时间（平均） 88.74s 响应时间（总计） 2041.10s 响应时间（最大） 567.88s 无答案: 4 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 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 117,966 输出令牌 5,149 推理令牌 23,514 响应时间（平均） 89.96s 响应时间（总计） 2069.01s 响应时间（最大） 156.00s API 错误: 22 答案错误: 1 智能体任务 : 3.9 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
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
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 65.2% 不稳定测试 6 输入令牌 287,061 输出令牌 32,056 推理令牌 196,607 响应时间（平均） 91.29s 响应时间（总计） 2099.56s 响应时间（最大） 416.76s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 5.7 编程 : 6.3 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 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.4 尝试通过率 59.4% 不稳定测试 3 输入令牌 313,368 输出令牌 12,289 推理令牌 259,270 响应时间（平均） 91.67s 响应时间（总计） 1833.43s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 118,771 输出令牌 4,127 推理令牌 14,668 响应时间（平均） 91.72s 响应时间（总计） 2109.54s 响应时间（最大） 112.76s API 错误: 22 答案错误: 1 智能体任务 : 5.0 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
#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
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 1.5% 不稳定测试 1 输入令牌 114,874 输出令牌 1,992 推理令牌 23,529 响应时间（平均） 92.50s 响应时间（总计） 2127.40s 响应时间（最大） 128.54s API 错误: 22 答案错误: 1 智能体任务 : 2.8 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
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 72.5% 不稳定测试 8 输入令牌 274,189 输出令牌 66,689 推理令牌 510,525 响应时间（平均） 94.16s 响应时间（总计） 2165.72s 响应时间（最大） 303.26s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 6.4 综合 : 7.3 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 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
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 47.8% 不稳定测试 6 输入令牌 347,980 输出令牌 121,898 推理令牌 720,302 响应时间（平均） 95.16s 响应时间（总计） 2188.74s 响应时间（最大） 540.96s 答案错误: 7 未遵循指令: 3 API 错误: 2 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.3 尝试通过率 59.4% 不稳定测试 6 输入令牌 153,399 输出令牌 7,803 推理令牌 179,098 响应时间（平均） 97.34s 响应时间（总计） 2238.73s 响应时间（最大） 587.08s API 错误: 8 答案错误: 3 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.2 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
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 72.5% 不稳定测试 6 输入令牌 249,486 输出令牌 14,481 推理令牌 288,249 响应时间（平均） 97.68s 响应时间（总计） 1562.81s 响应时间（最大） 304.85s 答案错误: 6 超时: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 6.6 综合 : 6.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 71.0% 不稳定测试 4 输入令牌 287,538 输出令牌 118,266 推理令牌 346,758 响应时间（平均） 97.70s 响应时间（总计） 2247.18s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 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 : 10.0 综合 : 6.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 244,499 输出令牌 8,744 推理令牌 375,349 响应时间（平均） 100.65s 响应时间（总计） 2314.88s 响应时间（最大） 626.58s 答案错误: 6 API 错误: 4 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 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