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）
#72#72	Claude Sonnet 4.6none	7.0	Anthropic	$0.306	5.27s
查看模型卡片总测试数 20 错误测试数 9 可靠性 10.0 尝试通过率 58.3% 不稳定测试 1 输入令牌 54,721 输出令牌 9,450 推理令牌 0 响应时间（平均） 5.27s 响应时间（总计） 68.50s 响应时间（最大） 23.84s 额外格式: 4 答案错误: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 6.8 综合 : 9.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#139#139	Nemotron 3 Supernone	5.0	NVIDIA	$0.006 ↑	5.47s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 33.3% 不稳定测试 3 输入令牌 33,717 输出令牌 6,186 推理令牌 0 响应时间（平均） 5.47s 响应时间（总计） 109.43s 响应时间（最大） 16.45s 答案错误: 13 未遵循指令: 2 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 : 3.6 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
#12#12	Gemini 3 Flash Previewlow	8.6	Google	$0.106	5.81s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 81.7% 不稳定测试 1 输入令牌 33,766 输出令牌 2,070 推理令牌 27,348 响应时间（平均） 5.81s 响应时间（总计） 116.25s 响应时间（最大） 14.72s 答案错误: 4 反AI技巧 : 10.0 编程 : 7.3 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#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
#53#53	GPT-5.3 Chatnone	7.4	OpenAI	$0.402	6.13s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 31,590 输出令牌 24,757 推理令牌 0 响应时间（平均） 6.13s 响应时间（总计） 122.61s 响应时间（最大） 18.33s 答案错误: 6 未遵循指令: 2 反AI技巧 : 6.7 编程 : 6.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 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
#30#30	GPT-5.2 Chatnone	7.9	OpenAI	$0.352	6.82s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 73.3% 不稳定测试 3 输入令牌 31,593 输出令牌 21,144 推理令牌 0 响应时间（平均） 6.82s 响应时间（总计） 136.34s 响应时间（最大） 38.52s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#157#157	Ling-2.6-1Tnone	4.3	Inclusionai	$0.005	7.72s
查看模型卡片总测试数 20 错误测试数 17 可靠性不适用尝试通过率 15.0% 不稳定测试 0 输入令牌 34,905 输出令牌 2,434 推理令牌 0 响应时间（平均） 7.72s 响应时间（总计） 139.00s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.4 编程 : 4.2 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 : 6.4 谜题求解 : 3.1 工具调用 : 3.0 常识问答 : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.6	Google	$0.994	8.30s
查看模型卡片总测试数 20 错误测试数 1 可靠性 10.0 尝试通过率 96.7% 不稳定测试 1 输入令牌 34,591 输出令牌 1,969 推理令牌 102,679 响应时间（平均） 8.30s 响应时间（总计） 165.92s 响应时间（最大） 34.82s 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 9.8 常识问答 : 10.0
#129#129	Mistral Small 4medium	5.4	Mistral	$0.056	8.35s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 45.0% 不稳定测试 7 输入令牌 39,834 输出令牌 21,871 推理令牌 68,349 响应时间（平均） 8.35s 响应时间（总计） 167.08s 响应时间（最大） 59.15s 答案错误: 11 API 错误: 2 未遵循指令: 2 反AI技巧 : 5.6 编程 : 5.1 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 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
#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
#21#21	Gemini 3.5 Flashnone	8.0	Google	$0.924	9.05s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 76.7% 不稳定测试 3 输入令牌 10,840 输出令牌 100,760 推理令牌 0 响应时间（平均） 9.05s 响应时间（总计） 153.86s 响应时间（最大） 64.36s API 错误: 3 答案错误: 3 反AI技巧 : 10.0 编程 : 8.2 综合 : 3.0 数据解析与提取 : 6.5 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 : 3.0 常识问答 : 2.8
#138#138	Qwen3 Coder Nextnone	5.1	Qwen	$0.008 ↓	9.05s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 28.3% 不稳定测试 1 输入令牌 44,864 输出令牌 3,575 推理令牌 0 响应时间（平均） 9.05s 响应时间（总计） 126.72s 响应时间（最大） 45.14s 答案错误: 13 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 5.4 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
#31#31	Gemini 3 PRO Previewmedium	7.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 20 错误测试数 6 可靠性不适用尝试通过率 70.0% 不稳定测试 0 输入令牌 28,848 输出令牌 1,490 推理令牌 10,102 响应时间（平均） 9.05s 响应时间（总计） 90.53s 响应时间（最大） 26.24s API 错误: 3 答案错误: 3 反AI技巧 : 10.0 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 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#147#147	Qwen3 Coder Nextmedium	4.7	Qwen	$0.008 ↓	9.16s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 30.0% 不稳定测试 3 输入令牌 44,607 输出令牌 3,310 推理令牌 0 响应时间（平均） 9.16s 响应时间（总计） 128.25s 响应时间（最大） 81.80s 答案错误: 12 未遵循指令: 3 超时: 1 反AI技巧 : 3.5 编程 : 4.1 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 6.3 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 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
#11#11	Claude Opus 4.8medium	8.7	Anthropic	$1.006	9.34s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 83.3% 不稳定测试 1 输入令牌 57,185 输出令牌 23,201 推理令牌 5,901 响应时间（平均） 9.34s 响应时间（总计） 186.84s 响应时间（最大） 38.03s 答案错误: 3 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.8 数据解析与提取 : 7.1 领域专项 : 5.3 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
#8#8	GPT-5.5low	8.9	OpenAI	$0.822	9.43s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 85.0% 不稳定测试 0 输入令牌 31,590 输出令牌 2,025 推理令牌 20,092 响应时间（平均） 9.43s 响应时间（总计） 188.66s 响应时间（最大） 56.19s 答案错误: 3 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#86#86	Grok 4.20 Multi Agent Betamedium	6.6	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 59.3% 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 : 10.0 综合 : 3.0 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
#14#14	Grok 4.20 Betamedium	8.5	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 81.5% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 反AI技巧 : 8.7 编程 : 10.0 综合 : 10.0 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 : 10.0 工具调用 : 3.0
#78#78	Hunter Alphamedium	6.7	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 64.8% 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 : 3.0 综合 : 4.7 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
#107#107	Owl Alphamedium	5.8	Openrouter	$0.000	11.64s
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 40,601 输出令牌 2,965 推理令牌 0 响应时间（平均） 11.64s 响应时间（总计） 232.83s 响应时间（最大） 58.63s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 4.8 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 : 4.3 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#65#65	GPT-5.4 Nanomedium	7.2	OpenAI	$0.099	11.79s
查看模型卡片总测试数 20 错误测试数 9 可靠性 10.0 尝试通过率 63.3% 不稳定测试 3 输入令牌 32,815 输出令牌 2,993 推理令牌 70,928 响应时间（平均） 11.79s 响应时间（总计） 235.81s 响应时间（最大） 94.06s 答案错误: 7 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.8 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 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
#154#154	Hy3 previewnone	4.5	Tencent	$0.003	12.92s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 25.0% 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 未遵循指令: 4 API 错误: 3 额外格式: 1 反AI技巧 : 4.8 编程 : 2.7 综合 : 3.0 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
#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
#5#5	Qwen3.7 Maxmedium	9.0	Qwen	$0.471 ↓	13.83s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 88.3% 不稳定测试 1 输入令牌 39,525 输出令牌 2,109 推理令牌 110,285 响应时间（平均） 13.83s 响应时间（总计） 276.53s 响应时间（最大） 33.37s 答案错误: 3 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 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
#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
#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
#91#91	Laguna M.1medium	6.4	Poolside	$0.000	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 52.6% 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 : 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 : 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

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