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）
#50#50	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
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 84.1% 不稳定测试 1 输入令牌 352,845 输出令牌 16,553 推理令牌 7,007 响应时间（平均） 9.87s 响应时间（总计） 226.95s 响应时间（最大） 73.15s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.8 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 : 3.0
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
查看模型卡片总测试数 23 错误测试数 11 可靠性 8.6 尝试通过率 71.0% 不稳定测试 8 输入令牌 195,489 输出令牌 12,475 推理令牌 108,748 响应时间（平均） 58.14s 响应时间（总计） 1337.19s 响应时间（最大） 255.06s API 错误: 7 答案错误: 2 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 8.2 综合 : 6.4 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 : 7.1 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
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 69.6% 不稳定测试 6 输入令牌 336,310 输出令牌 10,838 推理令牌 494,728 响应时间（平均） 37.41s 响应时间（总计） 860.39s 响应时间（最大） 196.03s 答案错误: 3 未遵循指令: 2 无效工具调用: 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 : 7.5 编程 : 10.0 综合 : 5.9 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 : 6.4 谜题求解 : 7.8 工具调用 : 9.6 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
#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
#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
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
查看模型卡片总测试数 23 错误测试数 3 可靠性 9.9 尝试通过率 91.3% 不稳定测试 2 输入令牌 165,464 输出令牌 5,591 推理令牌 15,454 响应时间（平均） 9.90s 响应时间（总计） 227.67s 响应时间（最大） 73.48s 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 : 5.9 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 : 2.8
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
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 85.5% 不稳定测试 2 输入令牌 348,103 输出令牌 11,045 推理令牌 234,967 响应时间（平均） 18.59s 响应时间（总计） 427.52s 响应时间（最大） 145.92s 无效工具调用: 2 答案错误: 2 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 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 : 9.8 常识问答 : 10.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
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 55.1% 不稳定测试 1 输入令牌 396,120 输出令牌 31,386 推理令牌 0 响应时间（平均） 10.78s 响应时间（总计） 247.96s 响应时间（最大） 79.61s 答案错误: 7 额外格式: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.4 反AI技巧 : 5.5 编程 : 5.9 综合 : 8.3 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
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 84.1% 不稳定测试 1 输入令牌 356,605 输出令牌 26,715 推理令牌 17,041 响应时间（平均） 13.24s 响应时间（总计） 304.46s 响应时间（最大） 78.80s 答案错误: 3 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
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 326,066 输出令牌 5,726 推理令牌 469,019 响应时间（平均） 117.65s 响应时间（总计） 2706.03s 响应时间（最大） 660.89s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
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 75.4% 不稳定测试 4 输入令牌 295,642 输出令牌 115,041 推理令牌 353,398 响应时间（平均） 120.88s 响应时间（总计） 2780.16s 响应时间（最大） 532.28s 答案错误: 4 未遵循指令: 2 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 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 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
#253#253	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 60.9% 不稳定测试 3 输入令牌 108,573 输出令牌 69,994 推理令牌 26,728 响应时间（平均） 32.23s 响应时间（总计） 515.65s 响应时间（最大） 151.51s 额外格式: 4 答案错误: 4 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 6.4 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 : 7.7 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
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.6 尝试通过率 72.5% 不稳定测试 7 输入令牌 329,276 输出令牌 8,172 推理令牌 479,012 响应时间（平均） 122.19s 响应时间（总计） 2810.40s 响应时间（最大） 573.57s 无答案: 3 未遵循指令: 2 无效工具调用: 2 答案错误: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.0 综合 : 8.6 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
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 78.3% 不稳定测试 6 输入令牌 157,142 输出令牌 8,149 推理令牌 24,357 响应时间（平均） 11.87s 响应时间（总计） 272.91s 响应时间（最大） 36.59s 答案错误: 3 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.0 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 : 7.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 2.8
#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
#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
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
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 55.1% 不稳定测试 3 输入令牌 209,116 输出令牌 10,031 推理令牌 16,042 响应时间（平均） 11.40s 响应时间（总计） 262.14s 响应时间（最大） 34.77s 额外格式: 4 答案错误: 4 未遵循指令: 3 API 错误: 1 智能体任务 : 2.8 反AI技巧 : 6.5 编程 : 3.4 综合 : 10.0 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 : 6.5 谜题求解 : 7.7 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
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 73.9% 不稳定测试 6 输入令牌 310,049 输出令牌 6,094 推理令牌 566,221 响应时间（平均） 123.96s 响应时间（总计） 2851.07s 响应时间（最大） 775.64s 无答案: 4 答案错误: 3 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 5.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 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
#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
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.3 尝试通过率 66.7% 不稳定测试 1 输入令牌 94,153 输出令牌 9,606 推理令牌 142,834 响应时间（平均） 22.96s 响应时间（总计） 528.08s 响应时间（最大） 143.21s API 错误: 6 答案错误: 2 智能体任务 : 3.0 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 : 6.5 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 2.8
#116#116	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
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 85.5% 不稳定测试 1 输入令牌 144,676 输出令牌 8,184 推理令牌 32,282 响应时间（平均） 13.30s 响应时间（总计） 305.83s 响应时间（最大） 40.17s 答案错误: 3 API 错误: 1 智能体任务 : 3.0 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
#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

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