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）
#103#103	gpt-oss-120bmedium	5.9	OpenAI	$0.012 ↓	22.41s
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 50.0% 不稳定测试 5 输入令牌 36,355 输出令牌 17,495 推理令牌 46,878 响应时间（平均） 22.41s 响应时间（总计） 291.35s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 反AI技巧 : 6.7 编程 : 3.9 综合 : 10.0 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 3.0
#104#104	Qwen3.5-Flashnone	5.9	Qwen	$0.004 ↓	3.74s
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 43,598 输出令牌 4,270 推理令牌 0 响应时间（平均） 3.74s 响应时间（总计） 74.71s 响应时间（最大） 27.18s 答案错误: 12 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 : 7.7 通用智能 : 10.0 指令遵循 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#105#105	GLM 5V Turbonone	5.9	Z.ai	$0.049	3.04s
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 40.0% 不稳定测试 0 输入令牌 34,502 输出令牌 1,760 推理令牌 0 响应时间（平均） 3.04s 响应时间（总计） 60.88s 响应时间（最大） 6.51s 答案错误: 10 未遵循指令: 2 反AI技巧 : 4.8 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 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#106#106	Seed-2.0-Litenone	5.9	Bytedance Seed	$0.018	2.48s
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 48.3% 不稳定测试 4 输入令牌 43,630 输出令牌 3,253 推理令牌 0 响应时间（平均） 2.48s 响应时间（总计） 49.67s 响应时间（最大） 6.70s 答案错误: 12 反AI技巧 : 3.0 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 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
#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
#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
#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
#81#81	Kimi K2.5medium	6.7	Moonshot AI	$0.272 ↓	89.02s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 66.7% 不稳定测试 8 输入令牌 31,717 输出令牌 48,374 推理令牌 128,473 响应时间（平均） 89.02s 响应时间（总计） 1157.32s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 反AI技巧 : 7.3 编程 : 4.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#84#84	Qwen3.6 27Bmedium	6.6	Qwen	$0.380 ↑	57.79s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 58.3% 不稳定测试 5 输入令牌 36,541 输出令牌 12,981 推理令牌 105,822 响应时间（平均） 57.79s 响应时间（总计） 1155.83s 响应时间（最大） 168.22s 答案错误: 6 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 6.6 综合 : 7.0 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#87#87	Gemini 3.1 Flash Litenone	6.6	Google	$0.013	1.09s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 55.0% 不稳定测试 4 输入令牌 33,705 输出令牌 2,478 推理令牌 0 响应时间（平均） 1.09s 响应时间（总计） 21.79s 响应时间（最大） 2.97s 答案错误: 10 未遵循指令: 1 反AI技巧 : 7.5 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#89#89	Mercury 2medium	6.5	Inception	$0.055	2.27s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 51.7% 不稳定测试 3 输入令牌 32,570 输出令牌 4,022 推理令牌 58,405 响应时间（平均） 2.27s 响应时间（总计） 43.20s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 反AI技巧 : 6.9 编程 : 7.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#92#92	Qwen3.5 Plus 2026-02-15none	6.4	Qwen	$0.016 ↓	2.40s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 48.3% 不稳定测试 2 输入令牌 43,023 输出令牌 2,474 推理令牌 0 响应时间（平均） 2.40s 响应时间（总计） 33.56s 响应时间（最大） 6.65s 答案错误: 11 反AI技巧 : 4.8 编程 : 4.9 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#93#93	Ring-2.6-1Tnone	6.4	Inclusionai	$0.026	55.10s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 50.0% 不稳定测试 2 输入令牌 7,599 输出令牌 39,954 推理令牌 0 响应时间（平均） 55.10s 响应时间（总计） 881.55s 响应时间（最大） 143.82s 答案错误: 5 API 错误: 4 未遵循指令: 2 反AI技巧 : 9.2 编程 : 6.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#94#94	Gemini 2.5 Flashnone	6.4	Google	$0.015	889ms
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 48.3% 不稳定测试 1 输入令牌 32,923 输出令牌 1,764 推理令牌 0 响应时间（平均） 889ms 响应时间（总计） 17.79s 响应时间（最大） 4.39s 答案错误: 11 反AI技巧 : 3.0 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 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
#96#96	GLM 5none	6.3	Z.ai	$0.025 ↑	3.95s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 46.7% 不稳定测试 1 输入令牌 34,537 输出令牌 1,985 推理令牌 0 响应时间（平均） 3.95s 响应时间（总计） 51.38s 响应时间（最大） 11.07s 答案错误: 11 反AI技巧 : 4.8 编程 : 4.6 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#90#90	Grok 4.1 Fastmedium	6.5	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 61.4% 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 反AI技巧 : 8.7 编程 : 2.3 综合 : 10.0 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
#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
#95#95	Qwen3.6 Plus Previewmedium	6.3	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 47.4% 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 反AI技巧 : 8.3 编程 : 3.0 综合 : 10.0 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
#75#75	Mimo V2 Omnimedium	6.9	Xiaomi	$0.683 ↓	41.16s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 58.3% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 额外格式: 1 反AI技巧 : 10.0 编程 : 3.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#77#77	DeepSeek V3.2medium	6.8	DeepSeek	$0.033 ↓	53.34s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 63.3% 不稳定测试 6 输入令牌 35,744 输出令牌 7,177 推理令牌 68,297 响应时间（平均） 53.34s 响应时间（总计） 1066.71s 响应时间（最大） 189.03s 答案错误: 5 API 错误: 2 超时: 2 未遵循指令: 1 反AI技巧 : 8.2 编程 : 3.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#79#79	Gemma 4 31Bnone	6.7	Google	$0.003 ↓	4.05s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 50.0% 不稳定测试 0 输入令牌 17,818 输出令牌 1,398 推理令牌 0 响应时间（平均） 4.05s 响应时间（总计） 72.97s 响应时间（最大） 26.13s 答案错误: 7 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 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 : 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
#80#80	Gemini 3.1 Flash Liteminimal	6.7	Google	$0.013	1.37s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 56.7% 不稳定测试 3 输入令牌 33,968 输出令牌 2,481 推理令牌 0 响应时间（平均） 1.37s 响应时间（总计） 27.32s 响应时间（最大） 4.49s 答案错误: 7 未遵循指令: 3 反AI技巧 : 8.3 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#82#82	Qwen3.7 Plusnone	6.6	Qwen	$0.027	2.95s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 50.0% 不稳定测试 0 输入令牌 39,669 输出令牌 6,572 推理令牌 0 响应时间（平均） 2.95s 响应时间（总计） 58.96s 响应时间（最大） 29.38s 答案错误: 9 未遵循指令: 1 反AI技巧 : 6.5 编程 : 6.8 综合 : 10.0 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#83#83	Step 3.5 Flashnone	6.6	Stepfun	$0.020	39.03s
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 50.0% 不稳定测试 0 输入令牌 1,971 输出令牌 64,795 推理令牌 0 响应时间（平均） 39.03s 响应时间（总计） 312.26s 响应时间（最大） 114.12s API 错误: 4 未遵循指令: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 10.0 通用智能 : 4.0 指令遵循 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#85#85	Hy3 previewlow	6.6	Tencent	$0.015	24.56s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 55.0% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 6 答案错误: 4 反AI技巧 : 8.3 编程 : 6.5 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#88#88	GPT-5.5none	6.5	OpenAI	$0.217	1.93s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 56.7% 不稳定测试 3 输入令牌 31,593 输出令牌 1,956 推理令牌 0 响应时间（平均） 1.93s 响应时间（总计） 38.64s 响应时间（最大） 5.56s 答案错误: 10 反AI技巧 : 6.9 编程 : 6.8 综合 : 3.0 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#57#57	GLM 5V Turbomedium	7.4	Z.ai	$0.407	20.21s
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 68.3% 不稳定测试 5 输入令牌 42,017 输出令牌 2,334 推理令牌 86,653 响应时间（平均） 20.21s 响应时间（总计） 404.14s 响应时间（最大） 95.88s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.8 综合 : 6.9 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 : 9.9 谜题求解 : 7.7 工具调用 : 7.0 常识问答 : 3.0
#60#60	GPT-5.4 Minimedium	7.3	OpenAI	$0.486	22.10s
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 71.7% 不稳定测试 5 输入令牌 31,497 输出令牌 2,160 推理令牌 100,548 响应时间（平均） 22.10s 响应时间（总计） 442.09s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 反AI技巧 : 8.6 编程 : 7.5 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#63#63	Qwen3.5-35B-A3Bmedium	7.3	Qwen	$0.368 ↓	69.66s
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 73.3% 不稳定测试 6 输入令牌 40,306 输出令牌 31,242 推理令牌 330,546 响应时间（平均） 69.66s 响应时间（总计） 1393.17s 响应时间（最大） 409.98s 超时: 4 无答案: 2 答案错误: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.5 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 4.1 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 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

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