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：: 2026-07-18 已评估模型: 206

206/206

排名	模型	分数	公司	总成本	响应时间（平均）
#107#107	Gemma 4 31Bmedium	6.3	Google	$0.107 ↓	75.38s
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 68.2% 不稳定测试 2 输入令牌 94,992 输出令牌 34,468 推理令牌 223,278 响应时间（平均） 75.38s 响应时间（总计） 1507.52s 响应时间（最大） 437.40s API 错误: 2 超时: 2 答案错误: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.3 综合 : 2.9 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#126#126	Step 3.5 Flashmedium	6.0	Stepfun	$0.108 ↑	174.22s
查看模型卡片总测试数 21 错误测试数 10 可靠性 9.2 尝试通过率 51.5% 不稳定测试 1 输入令牌 65,707 输出令牌 108,561 推理令牌 293,993 响应时间（平均） 174.22s 响应时间（总计） 2613.32s 响应时间（最大） 1597.85s 答案错误: 4 未遵循指令: 3 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 2.4 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 8.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#124#124	GPT-5 Nanomedium	6.1	OpenAI	$0.114	54.87s
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 56.1% 不稳定测试 8 输入令牌 94,935 输出令牌 12,042 推理令牌 261,056 响应时间（平均） 54.87s 响应时间（总计） 822.99s 响应时间（最大） 227.89s 答案错误: 9 未遵循指令: 2 无答案: 1 超时: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 6.4 数据解析与提取 : 3.7 领域专项 : 5.2 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#63#63	Gemini 3.1 Flash Lite Previewmedium	7.3	Google	$0.115	4.61s
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 59.1% 不稳定测试 0 输入令牌 117,480 输出令牌 10,589 推理令牌 46,394 响应时间（平均） 4.61s 响应时间（总计） 101.39s 响应时间（最大） 18.34s 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 : 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
#64#64	Gemini 3.1 Flash Litemedium	7.3	Google	$0.117	4.27s
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 104,918 输出令牌 9,168 推理令牌 51,130 响应时间（平均） 4.27s 响应时间（总计） 94.02s 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
#122#122	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.56s
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 43.9% 不稳定测试 4 输入令牌 94,468 输出令牌 51,487 推理令牌 0 响应时间（平均） 13.56s 响应时间（总计） 298.31s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.9 综合 : 6.4 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 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#151#151	Kimi K2.5none	5.5	Moonshot AI	$0.127 ↑	19.15s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 34.9% 不稳定测试 4 输入令牌 89,322 输出令牌 26,638 推理令牌 0 响应时间（平均） 19.15s 响应时间（总计） 287.30s 响应时间（最大） 102.83s 答案错误: 15 无答案: 1 反AI技巧 : 3.6 编程 : 5.5 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
#53#53	GPT-5.4 Nanomedium	7.5	OpenAI	$0.138	13.24s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 65.2% 不稳定测试 4 输入令牌 82,819 输出令牌 7,100 推理令牌 90,022 响应时间（平均） 13.24s 响应时间（总计） 291.33s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.9 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
#110#110	Qwen3.5-Flashmedium	6.2	Qwen	$0.139 ↓	84.82s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 69.7% 不稳定测试 6 输入令牌 118,499 输出令牌 12,284 推理令牌 490,610 响应时间（平均） 84.82s 响应时间（总计） 1781.22s 响应时间（最大） 515.38s 答案错误: 4 超时: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 3.7 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#155#155	GPT-5.6 Lunanone	5.4	OpenAI	$0.142	1.50s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 34.9% 不稳定测试 3 输入令牌 101,323 输出令牌 6,709 推理令牌 0 响应时间（平均） 1.50s 响应时间（总计） 32.91s 响应时间（最大） 10.57s 答案错误: 14 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.8 综合 : 3.2 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 : 7.1 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#160#160	Inklingnone	5.2	Thinkingmachines	$0.147	3.50s
查看模型卡片总测试数 22 错误测试数 16 可靠性 9.9 尝试通过率 28.8% 不稳定测试 1 输入令牌 104,111 输出令牌 10,551 推理令牌 0 响应时间（平均） 3.50s 响应时间（总计） 77.09s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 2.9 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 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#168#168	MiniMax M2.7medium	5.0	Minimax	$0.163 ↓	41.28s
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 45.5% 不稳定测试 9 输入令牌 114,518 输出令牌 18,558 推理令牌 119,036 响应时间（平均） 41.28s 响应时间（总计） 866.81s 响应时间（最大） 196.21s 答案错误: 6 未遵循指令: 5 无答案: 2 超时: 2 API 错误: 1 无效工具调用: 1 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
#147#147	GLM 5.1none	5.5	Z.ai	$0.164 ↓	6.70s
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 5 输入令牌 124,209 输出令牌 14,393 推理令牌 0 响应时间（平均） 6.70s 响应时间（总计） 147.38s 响应时间（最大） 61.20s 答案错误: 13 无效工具调用: 1 无答案: 1 反AI技巧 : 4.0 编程 : 3.9 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#190#190	GLM 4.7 Flashmedium	4.3	Z.ai	$0.166	142.59s
查看模型卡片总测试数 22 错误测试数 18 可靠性 7.8 尝试通过率 31.8% 不稳定测试 8 输入令牌 79,051 输出令牌 43,754 推理令牌 374,109 响应时间（平均） 142.59s 响应时间（总计） 1996.21s 响应时间（最大） 1539.97s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#60#60	Gemini 3 Flash Previewlow	7.4	Google	$0.177	6.28s
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 75.8% 不稳定测试 2 输入令牌 123,684 输出令牌 9,572 推理令牌 28,518 响应时间（平均） 6.28s 响应时间（总计） 138.06s 响应时间（最大） 17.13s 答案错误: 6 反AI技巧 : 10.0 编程 : 5.8 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
#119#119	Inklinglow	6.1	Thinkingmachines	$0.187	5.15s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.9 尝试通过率 54.6% 不稳定测试 4 输入令牌 109,884 输出令牌 8,579 推理令牌 10,343 响应时间（平均） 5.15s 响应时间（总计） 113.39s 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
#83#83	MiMo-V2.5-Promedium	6.9	Xiaomi	$0.187 ↓	33.92s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 5 输入令牌 139,883 输出令牌 15,521 推理令牌 130,992 响应时间（平均） 33.92s 响应时间（总计） 746.19s 响应时间（最大） 197.54s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#59#59	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.52s
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 95,983 输出令牌 12,446 推理令牌 0 响应时间（平均） 4.52s 响应时间（总计） 99.52s 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
#46#46	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.200	79.14s
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 63.6% 不稳定测试 6 输入令牌 90,748 输出令牌 10,462 推理令牌 178,719 响应时间（平均） 79.14s 响应时间（总计） 1740.97s 响应时间（最大） 416.76s 答案错误: 6 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 超时: 1 反AI技巧 : 5.7 编程 : 6.3 综合 : 10.0 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 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#95#95	Qwen3.6 Max Previewnone	6.6	Qwen	$0.231 ↓	7.82s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.9 尝试通过率 60.6% 不稳定测试 2 输入令牌 106,339 输出令牌 19,257 推理令牌 0 响应时间（平均） 7.82s 响应时间（总计） 172.01s 响应时间（最大） 102.62s 答案错误: 10 反AI技巧 : 5.2 编程 : 3.8 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#134#134	Kimi K2.6none	5.8	Moonshot AI	$0.233 ↑	19.58s
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 34.9% 不稳定测试 2 输入令牌 116,970 输出令牌 30,253 推理令牌 0 响应时间（平均） 19.58s 响应时间（总计） 430.85s 响应时间（最大） 238.89s 答案错误: 11 未遵循指令: 3 无答案: 1 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 : 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
#35#35	Seed-2.0-Litemedium	7.9	Bytedance Seed	$0.234	48.53s
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 74.2% 不稳定测试 4 输入令牌 129,897 输出令牌 12,533 推理令牌 88,047 响应时间（平均） 48.53s 响应时间（总计） 1067.74s 响应时间（最大） 254.92s 答案错误: 5 未遵循指令: 2 无答案: 1 反AI技巧 : 8.3 编程 : 8.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#26#26	GPT-5 Minimedium	8.1	OpenAI	$0.237	27.63s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 63.6% 不稳定测试 3 输入令牌 98,374 输出令牌 14,434 推理令牌 91,498 响应时间（平均） 27.63s 响应时间（总计） 607.92s 响应时间（最大） 111.48s 答案错误: 5 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.5 指令遵循 : 10.0 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#138#138	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.247 ↓	12.92s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 33.3% 不稳定测试 2 输入令牌 241,566 输出令牌 88,458 推理令牌 0 响应时间（平均） 12.92s 响应时间（总计） 284.21s 响应时间（最大） 212.63s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.7 综合 : 5.2 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 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#113#113	GPT-5.6 Lunalow	6.2	OpenAI	$0.249	5.04s
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 56.1% 不稳定测试 5 输入令牌 96,346 输出令牌 8,211 推理令牌 17,227 响应时间（平均） 5.04s 响应时间（总计） 110.88s 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 : 3.6 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
#36#36	Qwen3.7 Plusmedium	7.9	Qwen	$0.267 ↓	51.51s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 75.8% 不稳定测试 3 输入令牌 115,233 输出令牌 6,162 推理令牌 173,267 响应时间（平均） 51.51s 响应时间（总计） 1133.15s 响应时间（最大） 315.30s 答案错误: 5 无效工具调用: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.1 综合 : 8.2 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#47#47	MiniMax M3medium	7.6	Minimax	$0.286	74.98s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.7 尝试通过率 66.7% 不稳定测试 5 输入令牌 121,990 输出令牌 77,916 推理令牌 173,553 响应时间（平均） 74.98s 响应时间（总计） 1574.56s 响应时间（最大） 431.03s 超时: 3 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.5 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#31#31	GLM 5.2high	8.0	Z.ai	$0.296 ↓	62.65s
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 71.2% 不稳定测试 3 输入令牌 83,813 输出令牌 69,688 推理令牌 225,659 响应时间（平均） 62.65s 响应时间（总计） 1378.34s 响应时间（最大） 599.43s 超时: 3 答案错误: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.7 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#87#87	Gemini 3.5 Flashminimal	6.8	Google	$0.300	2.65s
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 65.2% 不稳定测试 1 输入令牌 100,753 输出令牌 16,454 推理令牌 0 响应时间（平均） 2.65s 响应时间（总计） 58.27s 响应时间（最大） 25.26s 答案错误: 5 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 10.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#69#69	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.317 ↓	46.36s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.6 尝试通过率 63.6% 不稳定测试 2 输入令牌 42,097 输出令牌 2,280 推理令牌 166,613 响应时间（平均） 46.36s 响应时间（总计） 973.57s 响应时间（最大） 189.38s 答案错误: 8 超时: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0

←

1 2 3 4 5 6 7

→

快速对比

AI Benchy 排行榜

筛选模型

快速对比