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：: 2026-08-15 已评估模型: 287

287/287

排名	模型	分数	公司	总成本	响应时间（平均）
#257#257	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#256#256	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 53.0% 不稳定测试 6 输入令牌 42,845 输出令牌 2,006 推理令牌 96,334 响应时间（平均） 23.85s 响应时间（总计） 286.16s 响应时间（最大） 121.79s 未遵循指令: 4 答案错误: 4 无答案: 1 超时: 1 反AI技巧 : 8.7 编程 : 7.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#255#255	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
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 53.0% 不稳定测试 6 输入令牌 28,927 输出令牌 4,682 推理令牌 17,969 响应时间（平均） 10.33s 响应时间（总计） 175.58s 响应时间（最大） 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 7.3 编程 : 9.8 综合 : 2.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 0.0
#254#254	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
#253#253	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
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 30.3% 不稳定测试 3 输入令牌 101,513 输出令牌 22,992 推理令牌 0 响应时间（平均） 8.81s 响应时间（总计） 140.88s 响应时间（最大） 97.15s 答案错误: 14 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 5.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#252#252	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
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 36.4% 不稳定测试 7 输入令牌 69,376 输出令牌 97,752 推理令牌 0 响应时间（平均） 12.46s 响应时间（总计） 274.11s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 1 反AI技巧 : 5.3 编程 : 3.3 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.9 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#251#251	Grok 4.20 Multi Agent Betamedium	4.8	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 48.5% 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 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
#250#250	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.624	75.86s
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 39.4% 不稳定测试 8 输入令牌 101,776 输出令牌 276,367 推理令牌 656,252 响应时间（平均） 75.86s 响应时间（总计） 1668.93s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#249#249	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
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 27.3% 不稳定测试 4 输入令牌 115,933 输出令牌 13,794 推理令牌 0 响应时间（平均） 2.56s 响应时间（总计） 56.37s 响应时间（最大） 25.50s 答案错误: 15 未遵循指令: 2 无答案: 1 反AI技巧 : 3.5 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#248#248	Nemotron 3.5 Lightninglow	4.8	NVIDIA	$0.175 ↕	59.81s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.8 尝试通过率 42.4% 不稳定测试 9 输入令牌 138,792 输出令牌 142,972 推理令牌 522,202 响应时间（平均） 59.81s 响应时间（总计） 1315.80s 响应时间（最大） 312.21s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 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
#247#247	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
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 45.5% 不稳定测试 2 输入令牌 7,608 输出令牌 40,277 推理令牌 0 响应时间（平均） 51.99s 响应时间（总计） 831.90s 响应时间（最大） 143.82s API 错误: 6 答案错误: 5 未遵循指令: 2 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#246#246	Nemotron 3 Supernone	4.8	NVIDIA	$0.008 ↑	6.04s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.2 尝试通过率 27.3% 不稳定测试 2 输入令牌 63,528 输出令牌 6,432 推理令牌 0 响应时间（平均） 6.04s 响应时间（总计） 132.96s 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 : 3.0 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
#245#245	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
查看模型卡片总测试数 22 错误测试数 16 可靠性 9.6 尝试通过率 30.3% 不稳定测试 2 输入令牌 114,384 输出令牌 14,903 推理令牌 0 响应时间（平均） 10.71s 响应时间（总计） 214.28s 响应时间（最大） 36.03s 答案错误: 9 无效工具调用: 3 API 错误: 2 未遵循指令: 2 反AI技巧 : 6.8 编程 : 5.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#244#244	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
查看模型卡片总测试数 19 错误测试数 10 可靠性不适用尝试通过率 40.9% 不稳定测试 0 输入令牌 32,639 输出令牌 1,153 推理令牌 62,197 响应时间（平均） 15.25s 响应时间（总计） 182.96s 响应时间（最大） 43.55s API 错误: 8 答案错误: 2 反AI技巧 : 8.3 编程 : 9.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#243#243	GPT-4o-mininone	5.0	OpenAI	$0.010	1.92s
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 22.7% 不稳定测试 0 输入令牌 53,145 输出令牌 2,913 推理令牌 0 响应时间（平均） 1.92s 响应时间（总计） 30.71s 响应时间（最大） 7.58s 答案错误: 15 未遵循指令: 1 无答案: 1 反AI技巧 : 4.8 编程 : 3.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#242#242	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
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 36.4% 不稳定测试 5 输入令牌 135,831 输出令牌 42,099 推理令牌 0 响应时间（平均） 17.89s 响应时间（总计） 393.53s 响应时间（最大） 115.89s 答案错误: 8 API 错误: 3 额外格式: 2 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.2 编程 : 3.1 综合 : 4.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#241#241	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 22.7% 不稳定测试 5 输入令牌 118,752 输出令牌 67,823 推理令牌 383,885 响应时间（平均） 85.34s 响应时间（总计） 1877.49s 响应时间（最大） 814.73s 答案错误: 15 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 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
#240#240	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
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 45.5% 不稳定测试 9 输入令牌 114,527 输出令牌 18,558 推理令牌 129,146 响应时间（平均） 43.25s 响应时间（总计） 908.21s 响应时间（最大） 196.21s 答案错误: 6 未遵循指令: 5 无答案: 2 超时: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 7.9 编程 : 5.7 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#239#239	North Mini Codenone	5.1	Cohere	$0.000	29.95s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.7 尝试通过率 18.2% 不稳定测试 0 输入令牌 130,501 输出令牌 26,786 推理令牌 0 响应时间（平均） 29.95s 响应时间（总计） 658.83s 响应时间（最大） 159.85s 答案错误: 12 额外格式: 2 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.2 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 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#238#238	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 30.3% 不稳定测试 2 输入令牌 32,525 输出令牌 1,815 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 59.29s 响应时间（最大） 8.21s 答案错误: 13 未遵循指令: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#237#237	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.19s
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 19.7% 不稳定测试 1 输入令牌 144,416 输出令牌 37,484 推理令牌 0 响应时间（平均） 19.19s 响应时间（总计） 422.25s 响应时间（最大） 382.06s 答案错误: 14 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.1 编程 : 3.9 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#236#236	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.68s
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 27.3% 不稳定测试 2 输入令牌 141,052 输出令牌 16,464 推理令牌 0 响应时间（平均） 4.68s 响应时间（总计） 103.02s 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 : 2.9 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
#235#235	Qwen3 Coder Nextnone	5.1	Qwen	$0.026 ↑	8.63s
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 134,227 输出令牌 11,808 推理令牌 0 响应时间（平均） 8.63s 响应时间（总计） 146.72s 响应时间（最大） 45.14s 答案错误: 14 额外格式: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 3.6 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#233#233	Mistral Small 4none	5.1	Mistral	$0.022	1.20s
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 104,717 输出令牌 9,812 推理令牌 0 响应时间（平均） 1.20s 响应时间（总计） 26.41s 响应时间（最大） 13.16s 答案错误: 16 未遵循指令: 1 反AI技巧 : 3.4 编程 : 3.7 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#234#234	Mistral Small 4medium	5.1	Mistral	$0.097	10.80s
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 43.9% 不稳定测试 8 输入令牌 140,559 输出令牌 40,268 推理令牌 93,329 响应时间（平均） 10.80s 响应时间（总计） 237.60s 响应时间（最大） 59.15s 答案错误: 13 未遵循指令: 2 API 错误: 1 无答案: 1 反AI技巧 : 5.6 编程 : 4.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 7.3 谜题求解 : 3.4 工具调用 : 10.0 常识问答 : 3.0
#232#232	Nemotron 3.5 Lightningmedium	5.1	NVIDIA	$0.195 ↕	70.11s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.9 尝试通过率 48.5% 不稳定测试 11 输入令牌 126,330 输出令牌 165,702 推理令牌 594,739 响应时间（平均） 70.11s 响应时间（总计） 1542.52s 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 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
#231#231	Inklingnone	5.2	Thinkingmachines	$0.142 ↓	3.47s
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 28.8% 不稳定测试 1 输入令牌 104,120 输出令牌 10,554 推理令牌 0 响应时间（平均） 3.47s 响应时间（总计） 76.28s 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
#230#230	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 16.7% 不稳定测试 1 输入令牌 116,155 输出令牌 19,679 推理令牌 0 响应时间（平均） 3.53s 响应时间（总计） 77.68s 响应时间（最大） 24.48s 答案错误: 15 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 4.6 综合 : 3.0 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 : 4.8 谜题求解 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#229#229	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.061 ↑	5.57s
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 28.8% 不稳定测试 5 输入令牌 93,990 输出令牌 45,905 推理令牌 0 响应时间（平均） 5.57s 响应时间（总计） 111.32s 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 : 2.9 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
#228#228	Gemini 3.1 Flash Lite Previewhigh	5.3	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 59.1% 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 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

快速对比

Gemini 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy 排行榜

推荐模型

筛选模型

快速对比