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）
#330#330	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.6 尝试通过率 47.8% 不稳定测试 12 输入令牌 170,517 输出令牌 149,968 推理令牌 509,725 响应时间（平均） 77.08s 响应时间（总计） 1772.78s 响应时间（最大） 490.99s 答案错误: 11 未遵循指令: 4 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 5.5 编程 : 4.4 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.7 指令遵循 : 8.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#334#334	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.7 尝试通过率 42.0% 不稳定测试 8 输入令牌 321,955 输出令牌 41,555 推理令牌 94,946 响应时间（平均） 12.68s 响应时间（总计） 291.66s 响应时间（最大） 59.15s 答案错误: 14 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 : 4.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.9 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
#335#335	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
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 24.6% 不稳定测试 1 输入令牌 265,602 输出令牌 10,913 推理令牌 0 响应时间（平均） 3.12s 响应时间（总计） 71.87s 响应时间（最大） 45.46s 答案错误: 17 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 3.4 编程 : 3.7 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#338#338	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
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 31.9% 不稳定测试 4 输入令牌 273,075 输出令牌 17,069 推理令牌 0 响应时间（平均） 6.21s 响应时间（总计） 142.89s 响应时间（最大） 53.13s 答案错误: 12 未遵循指令: 4 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 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
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
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 44.9% 不稳定测试 10 输入令牌 277,130 输出令牌 45,188 推理令牌 129,163 响应时间（平均） 50.32s 响应时间（总计） 1107.03s 响应时间（最大） 198.82s 答案错误: 6 未遵循指令: 5 无效工具调用: 2 无答案: 2 超时: 2 API 错误: 1 智能体任务 : 4.7 反AI技巧 : 7.9 编程 : 5.7 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#344#344	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
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 21.7% 不稳定测试 0 输入令牌 145,180 输出令牌 3,627 推理令牌 0 响应时间（平均） 4.16s 响应时间（总计） 70.70s 响应时间（最大） 39.99s 答案错误: 16 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 3.2 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#347#347	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
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 23.2% 不稳定测试 1 输入令牌 94,733 输出令牌 7,087 推理令牌 1,683 响应时间（平均） 1.45s 响应时间（总计） 33.24s 响应时间（最大） 12.35s 答案错误: 15 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.1 编程 : 3.6 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 : 6.3 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
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 24.6% 不稳定测试 1 输入令牌 250,329 输出令牌 45,168 推理令牌 0 响应时间（平均） 19.73s 响应时间（总计） 355.09s 响应时间（最大） 208.38s 答案错误: 15 额外格式: 1 未遵循指令: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.6 编程 : 4.6 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
#352#352	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
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 26.1% 不稳定测试 2 输入令牌 276,608 输出令牌 17,693 推理令牌 16,267 响应时间（平均） 9.88s 响应时间（总计） 227.24s 响应时间（最大） 124.23s 答案错误: 14 额外格式: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 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
#357#357	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
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 255,363 输出令牌 27,395 推理令牌 0 响应时间（平均） 13.04s 响应时间（总计） 221.61s 响应时间（最大） 97.15s 答案错误: 15 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 5.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.8 尝试通过率 47.8% 不稳定测试 12 输入令牌 195,780 输出令牌 167,746 推理令牌 598,384 响应时间（平均） 81.93s 响应时间（总计） 1884.31s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
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 40.6% 不稳定测试 9 输入令牌 207,883 输出令牌 144,718 推理令牌 525,897 响应时间（平均） 83.19s 响应时间（总计） 1913.41s 响应时间（最大） 597.61s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 工具调用 : 10.0 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
#378#378	KAT Coder AIR V2.5default	4.4	Kwaipilot	$0.070	11.96s
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 34.8% 不稳定测试 7 输入令牌 69,376 输出令牌 7,792 推理令牌 89,960 响应时间（平均） 11.96s 响应时间（总计） 275.18s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 2 智能体任务 : 3.0 反AI技巧 : 5.3 编程 : 3.3 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.9 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.3 尝试通过率 42.0% 不稳定测试 9 输入令牌 188,239 输出令牌 27,822 推理令牌 262,674 响应时间（平均） 102.32s 响应时间（总计） 1637.05s 响应时间（最大） 600.81s 答案错误: 7 超时: 5 未遵循指令: 3 无答案: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.9 编程 : 3.4 综合 : 3.7 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#404#404	Elephant Alphadefault	3.6	Openrouter	$0.000	1.22s
查看模型卡片总测试数 21 错误测试数 16 可靠性不适用尝试通过率 24.6% 不稳定测试 1 输入令牌 33,743 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.22s 响应时间（总计） 22.03s 响应时间（最大） 3.81s 答案错误: 9 API 错误: 3 未遵循指令: 3 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 6.6 编程 : 4.2 综合 : 1.5 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 : 4.2 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
#428#428	Kev 4Bdefault	2.4	Jaredpalmer	$0.002	5.63s
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 15.9% 不稳定测试 1 输入令牌 42,804 输出令牌 28,061 推理令牌 0 响应时间（平均） 5.63s 响应时间（总计） 67.61s 响应时间（最大） 17.79s 答案错误: 9 智能体任务 : 0.0 反AI技巧 : 2.3 编程 : 4.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 2.0 工具调用 : 0.0 常识问答 : 0.0
#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
#432#432	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
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 49,176 输出令牌 69 推理令牌 0 响应时间（平均） 462ms 响应时间（总计） 5.55s 响应时间（最大） 661ms 答案错误: 9 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 : 6.5 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
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
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 42.0% 不稳定测试 8 输入令牌 283,116 输出令牌 277,920 推理令牌 665,124 响应时间（平均） 74.52s 响应时间（总计） 1713.90s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#294#294	GPT-5.4 Mininone	5.7	OpenAI	$0.170	3.34s
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 30.4% 不稳定测试 2 输入令牌 172,438 输出令牌 8,828 推理令牌 0 响应时间（平均） 3.34s 响应时间（总计） 76.84s 响应时间（最大） 41.98s 答案错误: 14 未遵循指令: 3 智能体任务 : 5.0 反AI技巧 : 3.1 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.7 尝试通过率 31.9% 不稳定测试 2 输入令牌 257,872 输出令牌 54,388 推理令牌 0 响应时间（平均） 20.43s 响应时间（总计） 469.88s 响应时间（最大） 192.80s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 3.6 编程 : 4.7 综合 : 3.0 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 : 6.5 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
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 37.7% 不稳定测试 4 输入令牌 218,886 输出令牌 135,768 推理令牌 0 响应时间（平均） 18.31s 响应时间（总计） 421.19s 响应时间（最大） 209.15s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.9 反AI技巧 : 3.4 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 : 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
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
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 30.4% 不稳定测试 3 输入令牌 241,357 输出令牌 64,021 推理令牌 1 响应时间（平均） 26.34s 响应时间（总计） 605.78s 响应时间（最大） 238.89s 答案错误: 13 未遵循指令: 3 无答案: 1 智能体任务 : 4.7 反AI技巧 : 4.6 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 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0

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