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）
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
查看模型卡片总测试数 12 错误测试数 6 可靠性 10.0 尝试通过率 26.1% 不稳定测试 0 输入令牌 67,092 输出令牌 18,927 推理令牌 0 响应时间（平均） 698ms 响应时间（总计） 8.38s 响应时间（最大） 1.08s 答案错误: 6 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.2 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 3.3 工具调用 : 0.0 常识问答 : 0.0
#429#429	Jev 1.14default	2.3	Typesafe	$0.003	377ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 23.2% 不稳定测试 2 输入令牌 67,092 输出令牌 18,927 推理令牌 0 响应时间（平均） 377ms 响应时间（总计） 4.52s 响应时间（最大） 546ms 答案错误: 7 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.7 综合 : 0.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#329#329	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 26.1% 不稳定测试 0 输入令牌 123,993 输出令牌 12,777 推理令牌 0 响应时间（平均） 3.40s 响应时间（总计） 74.77s 响应时间（最大） 17.51s 答案错误: 13 API 错误: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 4.8 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 : 4.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 21.7% 不稳定测试 0 输入令牌 33,675 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 API 错误: 4 未遵循指令: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 3.0 编程 : 0.8 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 : 6.5 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#427#427	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
查看模型卡片总测试数 12 错误测试数 9 可靠性 10.0 尝试通过率 13.0% 不稳定测试 0 输入令牌 47,583 输出令牌 0 推理令牌 0 响应时间（平均） 495ms 响应时间（总计） 5.94s 响应时间（最大） 842ms 答案错误: 8 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 2.3 编程 : 2.5 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#396#396	Granite 4.1 8bdefault	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
#410#410	Hy3 previewnone	3.3	Tencent	$0.007 ↕	12.92s
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 21.7% 不稳定测试 2 输入令牌 27,172 输出令牌 2,661 推理令牌 0 响应时间（平均） 12.92s 响应时间（总计） 232.64s 响应时间（最大） 35.84s 答案错误: 8 API 错误: 4 未遵循指令: 4 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 2.7 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#415#415	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
查看模型卡片总测试数 19 错误测试数 16 可靠性 10.0 尝试通过率 18.8% 不稳定测试 3 输入令牌 36,608 输出令牌 1,723 推理令牌 0 响应时间（平均） 1.62s 响应时间（总计） 19.48s 响应时间（最大） 5.51s 答案错误: 13 未遵循指令: 3 智能体任务 : 0.0 反AI技巧 : 3.2 编程 : 1.8 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.4 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 2.8 常识问答 : 3.0
#379#379	Trinity Large Previewdefault	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
#430#430	Classify-1default	2.2	Scaledown	$0.008	4.58s
查看模型卡片总测试数 12 错误测试数 9 可靠性 9.4 尝试通过率 18.8% 不稳定测试 2 输入令牌 195,645 输出令牌 164 推理令牌 0 响应时间（平均） 4.58s 响应时间（总计） 55.01s 响应时间（最大） 13.35s 答案错误: 8 API 错误: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.7 综合 : 0.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#397#397	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	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
#403#403	Laguna M.1default	3.6	Poolside	$0.009 ↕	2.89s
查看模型卡片总测试数 19 错误测试数 15 可靠性 9.8 尝试通过率 26.1% 不稳定测试 3 输入令牌 38,147 输出令牌 2,054 推理令牌 0 响应时间（平均） 2.89s 响应时间（总计） 43.28s 响应时间（最大） 15.42s 答案错误: 10 API 错误: 4 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 3.4 编程 : 2.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#439#439	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
查看模型卡片总测试数 7 错误测试数 5 可靠性 10.0 尝试通过率 14.5% 不稳定测试 3 输入令牌 47,586 输出令牌 51 推理令牌 0 响应时间（平均） 6.01s 响应时间（总计） 42.05s 响应时间（最大） 13.10s 答案错误: 5 智能体任务 : 0.0 反AI技巧 : 0.8 编程 : 0.0 综合 : 0.0 数据解析与提取 : 3.7 领域专项 : 4.3 通用智能 : 0.0 指令遵循 : 5.0 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 39.1% 不稳定测试 0 输入令牌 281,460 输出令牌 13,791 推理令牌 0 响应时间（平均） 5.05s 响应时间（总计） 116.11s 响应时间（最大） 47.42s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.3 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
查看模型卡片总测试数 12 错误测试数 10 可靠性 10.0 尝试通过率 8.7% 不稳定测试 0 输入令牌 70,125 输出令牌 0 推理令牌 0 响应时间（平均） 880ms 响应时间（总计） 10.56s 响应时间（最大） 1.31s 答案错误: 9 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#287#287	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 43.5% 不稳定测试 3 输入令牌 266,004 输出令牌 9,077 推理令牌 0 响应时间（平均） 5.71s 响应时间（总计） 131.36s 响应时间（最大） 65.25s 答案错误: 14 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.5 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 : 6.1 指令遵循 : 7.1 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#409#409	Laguna Xs.2medium	3.3	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 42.0% 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 智能体任务 : 0.0 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
#341#341	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.9 尝试通过率 44.9% 不稳定测试 8 输入令牌 235,438 输出令牌 8,136 推理令牌 28,734 响应时间（平均） 4.92s 响应时间（总计） 113.24s 响应时间（最大） 84.47s 答案错误: 13 未遵循指令: 2 API 错误: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 5.6 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 4.1 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#442#442	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
查看模型卡片总测试数 1 错误测试数 0 可靠性 10.0 尝试通过率 4.4% 不稳定测试 0 输入令牌 73 输出令牌 6 推理令牌 729 响应时间（平均） 13.58s 响应时间（总计） 13.58s 响应时间（最大） 13.58s 智能体任务 : 0.0 反AI技巧 : 0.0 编程 : 0.0 综合 : 0.0 数据解析与提取 : 0.0 领域专项 : 3.3 通用智能 : 0.0 指令遵循 : 0.0 谜题求解 : 0.0 工具调用 : 0.0 常识问答 : 0.0
#351#351	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
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 17.4% 不稳定测试 0 输入令牌 106,423 输出令牌 11,555 推理令牌 0 响应时间（平均） 8.16s 响应时间（总计） 163.24s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 4 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.4 编程 : 3.8 综合 : 6.5 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 : 6.4 谜题求解 : 3.1 工具调用 : 3.0 常识问答 : 3.0
#386#386	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 16,869 推理令牌 53,081 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
#377#377	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 9,073 推理令牌 1 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
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 37.7% 不稳定测试 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.00s 响应时间（总计） 138.04s 响应时间（最大） 118.00s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 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 : 3.6 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
#326#326	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
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 29.0% 不稳定测试 3 输入令牌 270,072 输出令牌 23,173 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 104.80s 响应时间（最大） 70.79s 答案错误: 14 无效工具调用: 2 未遵循指令: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 5.3 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 : 5.0 指令遵循 : 3.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.8 尝试通过率 37.7% 不稳定测试 5 输入令牌 326,083 输出令牌 7,224 推理令牌 33,078 响应时间（平均） 3.34s 响应时间（总计） 76.80s 响应时间（最大） 47.06s 答案错误: 14 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 2.9 谜题求解 : 5.9 工具调用 : 9.8 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