AI BENCHY

AI 基准排行榜

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：: 2026-06-03 已评估模型: 161

161/161

排名	模型	分数	公司	总成本	响应时间（平均）
#122#122	MiMo-V2.5-Pronone	5.6	Xiaomi	$0.016 ↓	1.84s
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 41.7% 不稳定测试 4 输入令牌 28,962 输出令牌 3,037 推理令牌 0 响应时间（平均） 1.84s 响应时间（总计） 36.79s 响应时间（最大） 8.32s 答案错误: 10 未遵循指令: 4 反AI技巧 : 3.3 编程 : 5.0 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
#130#130	DeepSeek V3.2none	5.4	DeepSeek	$0.017 ↓	14.43s
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 41.7% 不稳定测试 6 输入令牌 53,408 输出令牌 11,159 推理令牌 0 响应时间（平均） 14.43s 响应时间（总计） 288.55s 响应时间（最大） 115.89s 答案错误: 6 API 错误: 4 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.2 编程 : 3.1 综合 : 6.5 数据解析与提取 : 6.3 领域专项 : 2.9 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
#131#131	Qwen3.5-122B-A10Bnone	5.4	Qwen	$0.019 ↓	3.38s
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 33.3% 不稳定测试 1 输入令牌 44,894 输出令牌 3,374 推理令牌 0 响应时间（平均） 3.38s 响应时间（总计） 67.55s 响应时间（最大） 46.00s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 4.0 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 : 6.3 谜题求解 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#132#132	GLM 5 Turbonone	5.3	Z.ai	$0.044 ↑	2.86s
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 33.3% 不稳定测试 2 输入令牌 29,927 输出令牌 1,809 推理令牌 0 响应时间（平均） 2.86s 响应时间（总计） 57.24s 响应时间（最大） 8.21s 答案错误: 12 未遵循指令: 2 反AI技巧 : 3.0 编程 : 4.4 综合 : 3.0 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
#133#133	Kimi K2.5none	5.3	Moonshot AI	$0.027 ↑	14.06s
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 36.7% 不稳定测试 3 输入令牌 33,436 输出令牌 6,653 推理令牌 0 响应时间（平均） 14.06s 响应时间（总计） 182.72s 响应时间（最大） 42.13s 答案错误: 14 反AI技巧 : 3.6 编程 : 6.8 综合 : 2.8 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 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#134#134	Elephant Alphamedium	5.3	Openrouter	$0.000	1.27s
查看模型卡片总测试数 20 错误测试数 14 可靠性不适用尝试通过率 31.7% 不稳定测试 1 输入令牌 33,744 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.0 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#135#135	Ling-2.6-flashnone	5.2	Inclusionai	$0.001 ↑	9.34s
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 33.3% 不稳定测试 2 输入令牌 40,718 输出令牌 2,878 推理令牌 0 响应时间（平均） 9.34s 响应时间（总计） 177.48s 响应时间（最大） 35.34s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 API 错误: 1 反AI技巧 : 6.8 编程 : 6.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#115#115	Laguna Xs.2medium	5.8	Poolside	$0.000	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 50.9% 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 : 6.3 综合 : 3.0 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
#126#126	gpt-oss-120bnone	5.4	OpenAI	$0.010 ↓	21.61s
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 38.6% 不稳定测试 2 输入令牌 9,081 输出令牌 51,664 推理令牌 0 响应时间（平均） 21.61s 响应时间（总计） 345.79s 响应时间（最大） 113.71s 答案错误: 8 API 错误: 3 未遵循指令: 2 反AI技巧 : 6.5 编程 : 4.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 3.0 常识问答 : 3.0
#112#112	Grok 4.20 Betanone	5.8	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 37.0% 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 反AI技巧 : 4.0 编程 : 5.5 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0
#119#119	Hunter Alphanone	5.7	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 46.3% 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 : 3.0 综合 : 3.0 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
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
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 33.3% 不稳定测试 0 输入令牌 41,313 输出令牌 1,923 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 19.96s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.4 综合 : 3.0 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 : 6.3 谜题求解 : 5.3 工具调用 : 10.0
#108#108	GLM 5.1none	5.8	Z.ai	$0.056 ↓	4.20s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 43.3% 不稳定测试 4 输入令牌 44,535 输出令牌 3,748 推理令牌 0 响应时间（平均） 4.20s 响应时间（总计） 83.95s 响应时间（最大） 32.57s 答案错误: 12 无效工具调用: 1 反AI技巧 : 4.0 编程 : 4.3 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
#109#109	DeepSeek V4 Pronone	5.8	DeepSeek	$0.024 ↓	12.91s
查看模型卡片总测试数 20 错误测试数 13 可靠性 8.5 尝试通过率 45.0% 不稳定测试 4 输入令牌 42,256 输出令牌 5,345 推理令牌 0 响应时间（平均） 12.91s 响应时间（总计） 258.27s 响应时间（最大） 58.65s 答案错误: 9 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.5 编程 : 5.4 综合 : 9.5 数据解析与提取 : 6.9 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#110#110	Qwen3.5 Plus 2026-04-20none	5.8	Qwen	$0.031 ↓	4.57s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 43.3% 不稳定测试 4 输入令牌 36,069 输出令牌 11,139 推理令牌 0 响应时间（平均） 4.57s 响应时间（总计） 91.37s 响应时间（最大） 33.34s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 4.4 综合 : 2.8 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 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#111#111	Qwen3.5-35B-A3Bnone	5.8	Qwen	$0.011 ↓	3.50s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 45.0% 不稳定测试 3 输入令牌 45,353 输出令牌 4,334 推理令牌 0 响应时间（平均） 3.50s 响应时间（总计） 70.00s 响应时间（最大） 47.43s 答案错误: 11 未遵循指令: 2 反AI技巧 : 3.4 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#113#113	Qwen3.5-27Bnone	5.8	Qwen	$0.014 ↓	1.69s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 40.0% 不稳定测试 2 输入令牌 41,637 输出令牌 3,585 推理令牌 0 响应时间（平均） 1.69s 响应时间（总计） 33.82s 响应时间（最大） 9.39s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 7.3 综合 : 2.8 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
#114#114	Qwen3.6 27Bnone	5.8	Qwen	$0.027 ↓	3.85s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 50.0% 不稳定测试 6 输入令牌 49,880 输出令牌 3,804 推理令牌 0 响应时间（平均） 3.85s 响应时间（总计） 77.09s 响应时间（最大） 11.82s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.8 编程 : 6.8 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 5.2 指令遵循 : 6.2 谜题求解 : 5.3 工具调用 : 9.5 常识问答 : 3.0
#116#116	Cobuddymedium	5.8	Baidu	$0.000	39.90s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 50.0% 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） 39.90s 响应时间（总计） 797.98s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.7 编程 : 4.1 综合 : 3.0 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
#117#117	Mimo V2 PROnone	5.7	Xiaomi	$0.045 ↓	2.27s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 43.3% 不稳定测试 3 输入令牌 39,344 输出令牌 2,352 推理令牌 0 响应时间（平均） 2.27s 响应时间（总计） 45.50s 响应时间（最大） 6.58s 答案错误: 11 未遵循指令: 2 反AI技巧 : 3.5 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.5 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#118#118	Owl Alphanone	5.7	Openrouter	$0.000	8.80s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 38.3% 不稳定测试 1 输入令牌 39,406 输出令牌 4,802 推理令牌 0 响应时间（平均） 8.80s 响应时间（总计） 176.09s 响应时间（最大） 47.10s 答案错误: 9 未遵循指令: 3 额外格式: 1 反AI技巧 : 3.4 编程 : 7.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#121#121	GPT-5.4none	5.6	OpenAI	$0.116	1.45s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 38.3% 不稳定测试 2 输入令牌 31,593 输出令牌 2,402 推理令牌 0 响应时间（平均） 1.45s 响应时间（总计） 29.00s 响应时间（最大） 2.95s 答案错误: 12 未遵循指令: 1 反AI技巧 : 3.2 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#123#123	Kimi K2.6none	5.6	Moonshot AI	$0.077 ↓	13.82s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 38.3% 不稳定测试 2 输入令牌 30,318 输出令牌 16,405 推理令牌 0 响应时间（平均） 13.82s 响应时间（总计） 276.39s 响应时间（最大） 238.89s 答案错误: 10 未遵循指令: 3 反AI技巧 : 4.6 编程 : 6.8 综合 : 3.0 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#124#124	Qwen3.6 Flashnone	5.5	Qwen	$0.014 ↓	1.65s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 35.0% 不稳定测试 0 输入令牌 47,969 输出令牌 4,158 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 32.91s 响应时间（最大） 4.60s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 6.6 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#101#101	Grok Build 0.1none	6.0	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 50.9% 不稳定测试 4 输入令牌 11,793 输出令牌 267,275 推理令牌 0 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.0 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#97#97	Gemma 4 26B A4Bnone	6.2	Google	$0.003 ↓	5.96s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 46.7% 不稳定测试 2 输入令牌 36,978 输出令牌 1,815 推理令牌 0 响应时间（平均） 5.96s 响应时间（总计） 119.22s 响应时间（最大） 57.10s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 8.3 编程 : 4.1 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#98#98	Mimo V2 Omninone	6.2	Xiaomi	$0.021 ↓	2.44s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 41.7% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 5.1 综合 : 3.0 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 : 6.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#99#99	GPT-5 Nanomedium	6.1	OpenAI	$0.077	43.52s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 55.0% 不稳定测试 7 输入令牌 31,489 输出令牌 5,328 推理令牌 181,056 响应时间（平均） 43.52s 响应时间（总计） 565.82s 响应时间（最大） 204.02s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 6.5 编程 : 5.4 综合 : 10.0 数据解析与提取 : 3.7 领域专项 : 5.2 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#100#100	DeepSeek V4 Prohigh	6.1	DeepSeek	$0.062 ↓	58.92s
查看模型卡片总测试数 20 错误测试数 12 可靠性 8.9 尝试通过率 55.0% 不稳定测试 6 输入令牌 30,514 输出令牌 12,244 推理令牌 53,958 响应时间（平均） 58.92s 响应时间（总计） 1119.51s 响应时间（最大） 358.35s API 错误: 5 答案错误: 4 超时: 2 未遵循指令: 1 反AI技巧 : 6.4 编程 : 2.7 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#102#102	Nemotron 3 Supermedium	5.9	NVIDIA	$0.019 ↑	20.87s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 43.3% 不稳定测试 2 输入令牌 36,614 输出令牌 14,505 推理令牌 30,178 响应时间（平均） 20.87s 响应时间（总计） 375.66s 响应时间（最大） 87.80s 答案错误: 5 未遵循指令: 3 API 错误: 2 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比