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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#357#357	Grok 4.20 Betanone	3.6	X AI	$0.087 ↓	1.19s
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 29.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 1.8 综合 : 1.5 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 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#356#356	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.6 尝试通过率 23.2% 不稳定测试 3 输入令牌 103,898 输出令牌 148,304 推理令牌 774,972 响应时间（平均） 64.99s 响应时间（总计） 1429.68s 响应时间（最大） 262.20s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.7 领域专项 : 3.0 通用智能 : 3.8 指令遵循 : 6.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#355#355	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.6 尝试通过率 18.8% 不稳定测试 1 输入令牌 99,662 输出令牌 146,555 推理令牌 732,977 响应时间（平均） 63.15s 响应时间（总计） 1389.35s 响应时间（最大） 252.08s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 6.6 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#354#354	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 23.2% 不稳定测试 3 输入令牌 115,314 输出令牌 133,965 推理令牌 816,718 响应时间（平均） 72.24s 响应时间（总计） 1589.23s 响应时间（最大） 345.15s 无答案: 7 答案错误: 6 未遵循指令: 3 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 6.4 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#353#353	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.007 ↕	15.92s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.8 尝试通过率 15.9% 不稳定测试 2 输入令牌 97,418 输出令牌 4,779 推理令牌 0 响应时间（平均） 15.92s 响应时间（总计） 366.20s 响应时间（最大） 339.57s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 超时: 1 智能体任务 : 3.0 反AI技巧 : 4.8 编程 : 3.1 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 : 3.1 工具调用 : 2.8 常识问答 : 3.0
#352#352	Granite 4.1 8bnone	3.8	IBM Granite	$0.007	1.38s
查看模型卡片总测试数 23 错误测试数 21 可靠性 10.0 尝试通过率 8.7% 不稳定测试 0 输入令牌 113,836 输出令牌 5,996 推理令牌 0 响应时间（平均） 1.38s 响应时间（总计） 31.81s 响应时间（最大） 16.67s 答案错误: 13 未遵循指令: 4 无效工具调用: 2 API 错误: 1 额外格式: 1 智能体任务 : 3.0 反AI技巧 : 4.9 编程 : 4.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 3.6 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#351#351	Ling 3.0 Tinynone	3.8	Inclusionai	$0.000	13.39s
查看模型卡片总测试数 23 错误测试数 21 可靠性 9.8 尝试通过率 8.7% 不稳定测试 0 输入令牌 184,579 输出令牌 110,071 推理令牌 0 响应时间（平均） 13.39s 响应时间（总计） 294.48s 响应时间（最大） 240.61s 答案错误: 13 未遵循指令: 4 API 错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 4.8 编程 : 4.2 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 3.1 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#350#350	Laguna M.1medium	3.9	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 43.5% 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 智能体任务 : 0.0 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
#349#349	Grok 4.1 Fastmedium	3.9	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 50.7% 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 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 0.8 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
#348#348	Hunter Alphamedium	3.9	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 50.7% 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 智能体任务 : 0.0 反AI技巧 : 7.3 编程 : 1.0 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
#347#347	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
#346#346	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
查看模型卡片总测试数 23 错误测试数 20 可靠性 8.7 尝试通过率 26.1% 不稳定测试 6 输入令牌 387,323 输出令牌 48,562 推理令牌 410,431 响应时间（平均） 110.18s 响应时间（总计） 1873.00s 响应时间（最大） 569.97s 超时: 11 无答案: 3 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 5.1 编程 : 2.9 综合 : 3.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 2.8 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#345#345	Qwen3.6 Plus Previewmedium	4.0	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 39.1% 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 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 1.0 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
#344#344	Mercury 2.5none	4.1	Inception	$0.026	5.10s
查看模型卡片总测试数 23 错误测试数 21 可靠性 10.0 尝试通过率 24.6% 不稳定测试 7 输入令牌 311,488 输出令牌 89,958 推理令牌 0 响应时间（平均） 5.10s 响应时间（总计） 117.24s 响应时间（最大） 63.41s 答案错误: 15 未遵循指令: 4 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.8 编程 : 3.7 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 4.9 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#343#343	GLM 5 Turbonone	4.2	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 29.0% 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 智能体任务 : 0.0 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
#342#342	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
查看模型卡片总测试数 20 错误测试数 14 可靠性 10.0 尝试通过率 34.8% 不稳定测试 3 输入令牌 131,652 输出令牌 62,213 推理令牌 0 响应时间（平均） 28.63s 响应时间（总计） 486.69s 响应时间（最大） 140.90s 答案错误: 9 API 错误: 3 未遵循指令: 2 智能体任务 : 6.1 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 3.0 常识问答 : 3.0
#341#341	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.4 尝试通过率 30.4% 不稳定测试 8 输入令牌 228,711 输出令牌 42,254 推理令牌 422,121 响应时间（平均） 150.90s 响应时间（总计） 2414.33s 响应时间（最大） 1539.97s 答案错误: 10 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 智能体任务 : 3.9 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#340#340	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.3 尝试通过率 42.0% 不稳定测试 9 输入令牌 188,239 输出令牌 27,822 推理令牌 262,674 响应时间（平均） 102.32s 响应时间（总计） 1637.05s 响应时间（最大） 600.81s 答案错误: 7 超时: 5 未遵循指令: 3 无答案: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.9 编程 : 3.4 综合 : 3.7 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#339#339	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
#338#338	Mercury 2none	4.4	Inception	$0.033	1.18s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 23.2% 不稳定测试 2 输入令牌 100,634 输出令牌 9,709 推理令牌 0 响应时间（平均） 1.18s 响应时间（总计） 27.14s 响应时间（最大） 9.00s 答案错误: 17 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 3.4 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#337#337	Cobuddymedium	4.4	Baidu	$0.000	38.01s
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 43.5% 不稳定测试 6 输入令牌 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 38.01s 响应时间（总计） 798.15s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 3.7 综合 : 1.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#336#336	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.1 尝试通过率 15.9% 不稳定测试 2 输入令牌 226,872 输出令牌 133,268 推理令牌 0 响应时间（平均） 84.66s 响应时间（总计） 1947.17s 响应时间（最大） 747.17s 答案错误: 11 额外格式: 4 超时: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 4.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#335#335	Trinity Large Previewnone	4.4	Arcee AI	$0.008 ↑	2.83s
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 20.3% 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） 2.83s 响应时间（总计） 56.65s 响应时间（最大） 14.34s 答案错误: 12 API 错误: 3 未遵循指令: 3 智能体任务 : 3.0 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
#334#334	KAT Coder AIR V2.5none	4.4	Kwaipilot	$0.070	11.96s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 34.8% 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） 11.96s 响应时间（总计） 275.18s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 2 智能体任务 : 3.0 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
#333#333	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.5 尝试通过率 27.5% 不稳定测试 3 输入令牌 146,361 输出令牌 9,074 推理令牌 0 响应时间（平均） 7.11s 响应时间（总计） 163.46s 响应时间（最大） 30.51s 答案错误: 16 未遵循指令: 2 智能体任务 : 2.8 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

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