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）
#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
#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
#139#139	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.1 尝试通过率 65.2% 不稳定测试 2 输入令牌 93,060 输出令牌 10,305 推理令牌 171,683 响应时间（平均） 34.40s 响应时间（总计） 791.16s 响应时间（最大） 236.64s API 错误: 6 答案错误: 3 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 : 3.6 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 : 2.8
#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
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.7 尝试通过率 58.0% 不稳定测试 7 输入令牌 261,256 输出令牌 1,425,268 推理令牌 0 响应时间（平均） 138.27s 响应时间（总计） 3180.10s 响应时间（最大） 436.56s 无答案: 7 API 错误: 2 答案错误: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.4 反AI技巧 : 6.9 编程 : 2.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.5 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 53.6% 不稳定测试 5 输入令牌 261,842 输出令牌 1,434,621 推理令牌 0 响应时间（平均） 136.10s 响应时间（总计） 3130.27s 响应时间（最大） 438.09s 无答案: 6 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 6.4 编程 : 2.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.9 尝试通过率 97.1% 不稳定测试 1 输入令牌 167,805 输出令牌 5,651 推理令牌 49,944 响应时间（平均） 20.16s 响应时间（总计） 463.68s 响应时间（最大） 254.93s 答案错误: 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 : 7.6 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 : 10.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.5 尝试通过率 52.2% 不稳定测试 4 输入令牌 243,381 输出令牌 1,581,325 推理令牌 0 响应时间（平均） 154.41s 响应时间（总计） 3551.40s 响应时间（最大） 455.72s 无答案: 7 答案错误: 3 API 错误: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 2.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 7.3 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
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 376,421 输出令牌 67,688 推理令牌 37,974 响应时间（平均） 25.31s 响应时间（总计） 582.11s 响应时间（最大） 159.01s 答案错误: 2 额外格式: 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 : 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
#89#89	GLM 5.2high	8.4	Z.ai	$4.632 ↑	69.11s
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 71.0% 不稳定测试 3 输入令牌 288,913 输出令牌 79,462 推理令牌 303,120 响应时间（平均） 69.11s 响应时间（总计） 1589.43s 响应时间（最大） 599.43s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.1 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 6.0 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
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
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 3 输入令牌 180,959 输出令牌 6,472 推理令牌 123,635 响应时间（平均） 39.86s 响应时间（总计） 916.82s 响应时间（最大） 332.10s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 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
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.6 尝试通过率 95.7% 不稳定测试 0 输入令牌 181,223 输出令牌 5,707 推理令牌 58,909 响应时间（平均） 61.63s 响应时间（总计） 1417.51s 响应时间（最大） 960.01s 超时: 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 : 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 : 10.0
#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
#391#391	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 46.4% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 6.9 编程 : 3.3 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 3.0 常识问答 : 0.0
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.9 尝试通过率 97.1% 不稳定测试 1 输入令牌 170,731 输出令牌 5,865 推理令牌 84,230 响应时间（平均） 29.67s 响应时间（总计） 682.42s 响应时间（最大） 381.11s 答案错误: 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 : 7.6 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 : 10.0
#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

←

1 17 18

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