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：: 2026-07-18 已评估模型: 206

206/206

排名	模型	分数	公司	总成本	响应时间（平均）
#88#88	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.95s
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 65.2% 不稳定测试 3 输入令牌 104,210 输出令牌 10,710 推理令牌 0 响应时间（平均） 2.95s 响应时间（总计） 44.26s 响应时间（最大） 21.19s 答案错误: 8 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#179#179	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 21.2% 不稳定测试 2 输入令牌 29,828 输出令牌 2,169 推理令牌 0 响应时间（平均） 2.98s 响应时间（总计） 56.57s 响应时间（最大） 14.34s 答案错误: 12 未遵循指令: 3 API 错误: 2 反AI技巧 : 3.1 编程 : 3.7 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.5 指令遵循 : 3.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#141#141	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.4% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#92#92	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 72.7% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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
#160#160	Inklingnone	5.2	Thinkingmachines	$0.147	3.50s
查看模型卡片总测试数 22 错误测试数 16 可靠性 9.9 尝试通过率 28.8% 不稳定测试 1 输入令牌 104,111 输出令牌 10,551 推理令牌 0 响应时间（平均） 3.50s 响应时间（总计） 77.09s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 2.9 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 : 6.3 谜题求解 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#120#120	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.74s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 34.9% 不稳定测试 1 输入令牌 139,788 输出令牌 30,947 推理令牌 0 响应时间（平均） 3.74s 响应时间（总计） 82.38s 响应时间（最大） 48.79s 答案错误: 12 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.1 编程 : 5.4 综合 : 3.8 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#125#125	Nemotron 3 Ultranone	6.1	NVIDIA	$0.095 ↕	3.87s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 42.4% 不稳定测试 2 输入令牌 101,275 输出令牌 9,474 推理令牌 0 响应时间（平均） 3.87s 响应时间（总计） 85.15s 响应时间（最大） 37.50s 答案错误: 12 API 错误: 1 未遵循指令: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 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 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#137#137	GLM 5none	5.7	Z.ai	$0.042 ↑	4.03s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 42.4% 不稳定测试 1 输入令牌 37,135 输出令牌 1,989 推理令牌 0 响应时间（平均） 4.03s 响应时间（总计） 56.37s 响应时间（最大） 11.07s 答案错误: 12 反AI技巧 : 4.8 编程 : 4.0 综合 : 1.5 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
#150#150	MiMo-V2.5-Pronone	5.5	Xiaomi	$0.068 ↓	4.12s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 37.9% 不稳定测试 4 输入令牌 124,799 输出令牌 15,362 推理令牌 0 响应时间（平均） 4.12s 响应时间（总计） 90.55s 响应时间（最大） 53.13s 答案错误: 11 未遵循指令: 4 无答案: 1 反AI技巧 : 3.3 编程 : 4.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.4 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#64#64	Gemini 3.1 Flash Litemedium	7.3	Google	$0.117	4.27s
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 62.1% 不稳定测试 2 输入令牌 104,918 输出令牌 9,168 推理令牌 51,130 响应时间（平均） 4.27s 响应时间（总计） 94.02s 响应时间（最大） 26.22s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#112#112	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.40s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 43.9% 不稳定测试 4 输入令牌 142,197 输出令牌 14,746 推理令牌 0 响应时间（平均） 4.40s 响应时间（总计） 96.84s 响应时间（最大） 44.58s 答案错误: 13 无答案: 1 反AI技巧 : 3.0 编程 : 5.6 综合 : 3.0 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#59#59	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.52s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.9 尝试通过率 68.2% 不稳定测试 0 输入令牌 95,983 输出令牌 12,446 推理令牌 0 响应时间（平均） 4.52s 响应时间（总计） 99.52s 响应时间（最大） 72.30s 答案错误: 7 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 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
#63#63	Gemini 3.1 Flash Lite Previewmedium	7.3	Google	$0.115	4.61s
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 59.1% 不稳定测试 0 输入令牌 117,480 输出令牌 10,589 推理令牌 46,394 响应时间（平均） 4.61s 响应时间（总计） 101.39s 响应时间（最大） 18.34s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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
#164#164	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.62s
查看模型卡片总测试数 22 错误测试数 17 可靠性 10.0 尝试通过率 25.8% 不稳定测试 1 输入令牌 141,043 输出令牌 16,464 推理令牌 0 响应时间（平均） 4.62s 响应时间（总计） 101.57s 响应时间（最大） 55.36s 答案错误: 14 额外格式: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#192#192	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 37.9% 不稳定测试 4 输入令牌 34,329 输出令牌 2,264 推理令牌 0 响应时间（平均） 4.70s 响应时间（总计） 79.86s 响应时间（最大） 15.17s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 9.8 综合 : 1.5 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 : 6.4 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 0.0
#100#100	Qwen3.5-27Bnone	6.5	Qwen	$0.090 ↑	4.76s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 40.9% 不稳定测试 2 输入令牌 102,316 输出令牌 24,321 推理令牌 0 响应时间（平均） 4.76s 响应时间（总计） 104.71s 响应时间（最大） 69.46s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#65#65	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.91s
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 63.6% 不稳定测试 2 输入令牌 149,206 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.91s 响应时间（总计） 108.03s 响应时间（最大） 35.03s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 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
#113#113	GPT-5.6 Lunalow	6.2	OpenAI	$0.249	5.04s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 56.1% 不稳定测试 5 输入令牌 96,346 输出令牌 8,211 推理令牌 17,227 响应时间（平均） 5.04s 响应时间（总计） 110.88s 响应时间（最大） 19.44s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 2.8 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 : 8.5 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#119#119	Inklinglow	6.1	Thinkingmachines	$0.187	5.15s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.9 尝试通过率 54.6% 不稳定测试 4 输入令牌 109,884 输出令牌 8,579 推理令牌 10,343 响应时间（平均） 5.15s 响应时间（总计） 113.39s 响应时间（最大） 41.58s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 8.3 编程 : 5.1 综合 : 2.9 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 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#55#55	GPT-5.6 Terralow	7.5	OpenAI	$0.519	5.31s
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 74.2% 不稳定测试 6 输入令牌 80,295 输出令牌 4,714 推理令牌 16,469 响应时间（平均） 5.31s 响应时间（总计） 116.82s 响应时间（最大） 19.85s 答案错误: 8 无效工具调用: 1 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#111#111	Gemma 4 31Bnone	6.2	Google	$0.021 ↓	5.34s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 48.5% 不稳定测试 1 输入令牌 125,728 输出令牌 13,317 推理令牌 0 响应时间（平均） 5.34s 响应时间（总计） 106.82s 响应时间（最大） 29.95s 答案错误: 9 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.8 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 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 3.0
#157#157	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.061 ↑	5.52s
查看模型卡片总测试数 22 错误测试数 18 可靠性 10.0 尝试通过率 31.8% 不稳定测试 6 输入令牌 93,979 输出令牌 46,957 推理令牌 0 响应时间（平均） 5.52s 响应时间（总计） 110.40s 响应时间（最大） 39.54s 答案错误: 13 API 错误: 2 未遵循指令: 2 无答案: 1 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#11#11	Gemini 3.5 Flashlow	8.9	Google	$0.433	5.55s
查看模型卡片总测试数 22 错误测试数 3 可靠性 10.0 尝试通过率 87.9% 不稳定测试 1 输入令牌 87,817 输出令牌 2,239 推理令牌 31,182 响应时间（平均） 5.55s 响应时间（总计） 122.19s 响应时间（最大） 53.55s 答案错误: 2 无效工具调用: 1 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 : 7.7 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 : 10.0
#173#173	Nemotron 3 Supernone	4.9	NVIDIA	$0.017 ↑	5.97s
查看模型卡片总测试数 22 错误测试数 17 可靠性 8.5 尝试通过率 30.3% 不稳定测试 3 输入令牌 63,519 输出令牌 6,434 推理令牌 0 响应时间（平均） 5.97s 响应时间（总计） 131.31s 响应时间（最大） 20.00s 答案错误: 15 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.6 指令遵循 : 6.3 谜题求解 : 5.5 工具调用 : 4.7 常识问答 : 3.0
#108#108	Claude Sonnet 5none	6.3	Anthropic	$0.548	6.04s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 45.5% 不稳定测试 4 输入令牌 161,035 输出令牌 22,511 推理令牌 0 响应时间（平均） 6.04s 响应时间（总计） 132.85s 响应时间（最大） 33.39s 答案错误: 7 额外格式: 4 无答案: 2 未遵循指令: 1 反AI技巧 : 5.3 编程 : 4.6 综合 : 6.5 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 : 6.4 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#114#114	Gemini 2.5 Flashnone	6.2	Google	$0.017	6.20s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 43.9% 不稳定测试 1 输入令牌 39,877 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.20s 响应时间（总计） 136.37s 响应时间（最大） 118.00s 答案错误: 12 无效工具调用: 1 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#60#60	Gemini 3 Flash Previewlow	7.4	Google	$0.177	6.28s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 75.8% 不稳定测试 2 输入令牌 123,684 输出令牌 9,572 推理令牌 28,518 响应时间（平均） 6.28s 响应时间（总计） 138.06s 响应时间（最大） 17.13s 答案错误: 6 反AI技巧 : 10.0 编程 : 5.8 综合 : 3.0 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 : 10.0
#147#147	GLM 5.1none	5.5	Z.ai	$0.164 ↓	6.70s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 40.9% 不稳定测试 5 输入令牌 124,209 输出令牌 14,393 推理令牌 0 响应时间（平均） 6.70s 响应时间（总计） 147.38s 响应时间（最大） 61.20s 答案错误: 13 无效工具调用: 1 无答案: 1 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#194#194	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 43.9% 不稳定测试 6 输入令牌 39,481 输出令牌 54,218 推理令牌 0 响应时间（平均） 6.73s 响应时间（总计） 100.98s 响应时间（最大） 29.11s 答案错误: 6 API 错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 6.9 编程 : 2.1 综合 : 1.5 数据解析与提取 : 7.1 领域专项 : 4.1 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 4.7 常识问答 : 3.0
#54#54	GPT-5.3 Chatnone	7.5	OpenAI	$0.571	6.88s
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 68.2% 不稳定测试 5 输入令牌 78,990 输出令牌 30,854 推理令牌 0 响应时间（平均） 6.88s 响应时间（总计） 151.31s 响应时间（最大） 18.33s 答案错误: 7 未遵循指令: 2 反AI技巧 : 6.7 编程 : 5.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0

←

1 2 3 4 5 6 7

→

快速对比

AI Benchy 排行榜

筛选模型

快速对比