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：: 2026-09-02 已评估模型: 311

311/311

排名	模型	分数	公司	总成本	响应时间（平均）
#237#237	MiMo-V2.5-Pronone	5.4	Xiaomi	$0.068 ↓	4.24s
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 33.3% 不稳定测试 4 输入令牌 124,808 输出令牌 15,362 推理令牌 0 响应时间（平均） 4.24s 响应时间（总计） 93.28s 响应时间（最大） 53.13s 答案错误: 12 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 : 3.0 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
#178#178	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
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 3 输入令牌 142,206 输出令牌 14,744 推理令牌 0 响应时间（平均） 4.37s 响应时间（总计） 96.20s 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 : 3.0 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
#112#112	Gemini 3.1 Flash Litemedium	7.3	Google	$0.120	4.38s
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 104,925 输出令牌 9,168 推理令牌 53,188 响应时间（平均） 4.38s 响应时间（总计） 96.32s 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
#101#101	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.56s
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 95,992 输出令牌 12,446 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 100.30s 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
#100#100	Gemini 3.1 Flash Lite Previewmedium	7.4	Google	$0.117	4.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 63.6% 不稳定测试 0 输入令牌 117,493 输出令牌 10,589 推理令牌 47,189 响应时间（平均） 4.59s 响应时间（总计） 101.04s 响应时间（最大） 18.34s 答案错误: 6 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 : 5.3 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
#255#255	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
#292#292	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
#158#158	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
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 102,325 输出令牌 24,323 推理令牌 0 响应时间（平均） 4.77s 响应时间（总计） 105.00s 响应时间（最大） 69.46s 答案错误: 11 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 : 5.3 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
#99#99	Gemini 3.8 Flashlow	7.5	Google	$0.239	4.83s
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 81.8% 不稳定测试 4 输入令牌 111,773 输出令牌 8,035 推理令牌 33,289 响应时间（平均） 4.83s 响应时间（总计） 106.18s 响应时间（最大） 35.14s 答案错误: 5 无答案: 1 反AI技巧 : 10.0 编程 : 5.4 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.8 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 : 10.0
#115#115	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 149,203 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.92s 响应时间（总计） 108.24s 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
#34#34	Gemini 3.6 Flashlow	8.7	Google	$0.251 ↓	4.92s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 89.4% 不稳定测试 3 输入令牌 85,886 输出令牌 5,489 推理令牌 44,232 响应时间（平均） 4.92s 响应时间（总计） 108.28s 响应时间（最大） 30.83s 答案错误: 4 反AI技巧 : 8.7 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 7.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#188#188	Inklinglow	6.1	Thinkingmachines	$0.187	5.11s
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 54.6% 不稳定测试 4 输入令牌 109,893 输出令牌 8,580 推理令牌 10,324 响应时间（平均） 5.11s 响应时间（总计） 112.46s 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
#72#72	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 78.8% 不稳定测试 6 输入令牌 103,916 输出令牌 8,892 推理令牌 87,343 响应时间（平均） 5.12s 响应时间（总计） 112.73s 响应时间（最大） 26.41s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#172#172	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
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 108,752 输出令牌 9,375 推理令牌 0 响应时间（平均） 5.17s 响应时间（总计） 113.83s 响应时间（最大） 48.38s 答案错误: 13 额外格式: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.5 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 : 6.5 谜题求解 : 4.0 工具调用 : 10.0 常识问答 : 3.0
#180#180	GPT-5.6 Lunalow	6.2	OpenAI	$0.051 ↓	5.20s
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 54.5% 不稳定测试 5 输入令牌 96,355 输出令牌 8,213 推理令牌 18,073 响应时间（平均） 5.20s 响应时间（总计） 114.46s 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 : 2.9 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
#210#210	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
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 33.3% 不稳定测试 1 输入令牌 130,863 输出令牌 11,912 推理令牌 0 响应时间（平均） 5.37s 响应时间（总计） 118.06s 响应时间（最大） 64.67s 答案错误: 14 无答案: 1 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 : 2.9 通用智能 : 5.0 指令遵循 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#191#191	Gemma 4 31Bnone	6.1	Google	$0.016 ↓	5.41s
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 125,703 输出令牌 13,317 推理令牌 0 响应时间（平均） 5.41s 响应时间（总计） 108.12s 响应时间（最大） 29.95s 答案错误: 10 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 : 5.3 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
#91#91	GPT-5.6 Terralow	7.5	OpenAI	$0.420 ↓	5.45s
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 80,304 输出令牌 4,714 推理令牌 16,872 响应时间（平均） 5.45s 响应时间（总计） 119.83s 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
#246#246	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.051 ↓	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
#30#30	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 84.9% 不稳定测试 2 输入令牌 87,826 输出令牌 2,239 推理令牌 32,956 响应时间（平均） 5.76s 响应时间（总计） 126.71s 响应时间（最大） 53.55s 答案错误: 3 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 : 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
#8#8	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
查看模型卡片总测试数 22 错误测试数 2 可靠性 10.0 尝试通过率 93.9% 不稳定测试 1 输入令牌 89,055 输出令牌 5,697 推理令牌 58,880 响应时间（平均） 5.87s 响应时间（总计） 129.20s 响应时间（最大） 30.23s 答案错误: 2 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 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 : 10.0
#267#267	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
#181#181	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
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 4 输入令牌 161,032 输出令牌 22,508 推理令牌 0 响应时间（平均） 6.05s 响应时间（总计） 132.99s 响应时间（最大） 33.39s 答案错误: 8 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 : 2.9 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
#195#195	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
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 39.4% 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） 6.19s 响应时间（总计） 136.23s 响应时间（最大） 118.00s 答案错误: 13 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 : 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
#160#160	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
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 53.0% 不稳定测试 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.30s 响应时间（总计） 138.60s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 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 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

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