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）
#59#59	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
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 81.2% 不稳定测试 3 输入令牌 262,495 输出令牌 7,787 推理令牌 86,149 响应时间（平均） 25.09s 响应时间（总计） 577.14s 响应时间（最大） 155.75s 答案错误: 5 未遵循指令: 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 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
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 78.3% 不稳定测试 2 输入令牌 348,967 输出令牌 1,005 推理令牌 676,075 响应时间（平均） 166.34s 响应时间（总计） 3825.81s 响应时间（最大） 640.85s 未遵循指令: 2 无答案: 2 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.1 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 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#79#79	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
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 85.5% 不稳定测试 4 输入令牌 367,848 输出令牌 8,753 推理令牌 250,279 响应时间（平均） 48.35s 响应时间（总计） 1112.11s 响应时间（最大） 556.06s 答案错误: 5 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#93#93	Kimi K3max	8.3	Moonshot AI	$3.409 ↓	139.41s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.3 尝试通过率 78.3% 不稳定测试 2 输入令牌 170,700 输出令牌 7,719 推理令牌 225,608 响应时间（平均） 139.41s 响应时间（总计） 2788.26s 响应时间（最大） 766.58s API 错误: 2 无答案: 2 额外格式: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#95#95	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
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 360,294 输出令牌 43,441 推理令牌 24,401 响应时间（平均） 16.72s 响应时间（总计） 384.66s 响应时间（最大） 99.37s 答案错误: 5 无答案: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 7.1 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
#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
#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
#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
#346#346	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 63.8% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 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 : 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 : 0.0
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
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 81.2% 不稳定测试 2 输入令牌 241,855 输出令牌 8,387 推理令牌 600,946 响应时间（平均） 161.25s 响应时间（总计） 3708.70s 响应时间（最大） 739.98s 答案错误: 3 无答案: 2 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 : 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
#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
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
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 81.2% 不稳定测试 1 输入令牌 276,512 输出令牌 8,152 推理令牌 96,444 响应时间（平均） 27.34s 响应时间（总计） 628.75s 响应时间（最大） 126.60s 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 : 8.7 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
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
查看模型卡片总测试数 23 错误测试数 5 可靠性 9.8 尝试通过率 87.0% 不稳定测试 3 输入令牌 328,637 输出令牌 8,619 推理令牌 432,733 响应时间（平均） 186.06s 响应时间（总计） 4279.49s 响应时间（最大） 912.78s 答案错误: 2 未遵循指令: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#38#38	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
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 81.2% 不稳定测试 2 输入令牌 394,509 输出令牌 10,349 推理令牌 188,919 响应时间（平均） 16.58s 响应时间（总计） 381.40s 响应时间（最大） 92.74s 答案错误: 2 额外格式: 1 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 : 5.0 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#46#46	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
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 84.1% 不稳定测试 2 输入令牌 268,540 输出令牌 7,499 推理令牌 85,499 响应时间（平均） 30.42s 响应时间（总计） 699.68s 响应时间（最大） 168.09s 答案错误: 5 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 : 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
#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
#48#48	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
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 84.1% 不稳定测试 2 输入令牌 244,529 输出令牌 6,784 推理令牌 213,142 响应时间（平均） 11.92s 响应时间（总计） 274.14s 响应时间（最大） 53.09s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 9.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#57#57	Claude Fable 5medium	8.9	Anthropic	$5.089	16.84s
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 79.7% 不稳定测试 1 输入令牌 272,411 输出令牌 35,497 推理令牌 11,788 响应时间（平均） 16.84s 响应时间（总计） 387.26s 响应时间（最大） 80.80s 无答案: 3 无效工具调用: 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 : 6.5 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#69#69	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
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 87.0% 不稳定测试 4 输入令牌 172,359 输出令牌 5,026 推理令牌 8,185 响应时间（平均） 8.72s 响应时间（总计） 200.61s 响应时间（最大） 48.43s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 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 : 10.0 工具调用 : 10.0 常识问答 : 4.7
#75#75	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
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 298,682 输出令牌 8,374 推理令牌 80,549 响应时间（平均） 29.07s 响应时间（总计） 668.66s 响应时间（最大） 207.79s 答案错误: 4 无效工具调用: 1 智能体任务 : 6.1 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 : 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
#105#105	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
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 81.2% 不稳定测试 2 输入令牌 437,293 输出令牌 29,102 推理令牌 28,876 响应时间（平均） 14.12s 响应时间（总计） 310.55s 响应时间（最大） 150.60s 答案错误: 3 无效工具调用: 1 超时: 1 智能体任务 : 5.2 反AI技巧 : 8.3 编程 : 7.6 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
#119#119	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
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 81.2% 不稳定测试 2 输入令牌 296,760 输出令牌 4,371 推理令牌 92,284 响应时间（平均） 11.78s 响应时间（总计） 271.03s 响应时间（最大） 84.47s 答案错误: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 7.9 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 : 7.7 工具调用 : 10.0 常识问答 : 10.0
#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
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
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 191,653 输出令牌 5,473 推理令牌 17,084 响应时间（平均） 11.13s 响应时间（总计） 256.08s 响应时间（最大） 57.11s 答案错误: 4 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 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 10.0
#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

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