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）
#433#433	Step 3.5 Flashnone	1.9	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 26.1% 不稳定测试 0 输入令牌 1,971 输出令牌 50,509 推理令牌 33,867 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 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 1.0 综合 : 1.5 数据解析与提取 : 1.5 领域专项 : 3.3 通用智能 : 4.0 指令遵循 : 5.0 谜题求解 : 0.0 工具调用 : 3.0 常识问答 : 3.0
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.8 尝试通过率 60.9% 不稳定测试 4 输入令牌 132,044 输出令牌 92,135 推理令牌 207,321 响应时间（平均） 13.08s 响应时间（总计） 287.79s 响应时间（最大） 75.27s 答案错误: 7 API 错误: 2 无效工具调用: 2 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 6.7 综合 : 2.9 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#376#376	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.2% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 3.6 编程 : 4.4 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 6.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#301#301	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 31.9% 不稳定测试 1 输入令牌 305,664 输出令牌 13,249 推理令牌 0 响应时间（平均） 8.14s 响应时间（总计） 187.23s 响应时间（最大） 69.17s 答案错误: 14 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 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
#358#358	Mercury 2.5 Previewdefault	4.7	Inception	$0.023 ↑	7.05s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.9 尝试通过率 29.0% 不稳定测试 5 输入令牌 250,541 输出令牌 86,367 推理令牌 0 响应时间（平均） 7.05s 响应时间（总计） 162.25s 响应时间（最大） 84.96s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 3.8 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 5.6 工具调用 : 10.0 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
#411#411	MiMo-V2-Flashdefault	3.3	Xiaomi	$0.025 ↑	2.76s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 23.2% 不稳定测试 4 输入令牌 36,851 输出令牌 68,882 推理令牌 0 响应时间（平均） 2.76s 响应时间（总计） 46.99s 响应时间（最大） 19.68s 答案错误: 13 未遵循指令: 2 API 错误: 1 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 3.2 编程 : 4.3 综合 : 1.5 数据解析与提取 : 2.9 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
#310#310	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.9 尝试通过率 40.6% 不稳定测试 5 输入令牌 222,357 输出令牌 6,855 推理令牌 0 响应时间（平均） 20.48s 响应时间（总计） 470.96s 响应时间（最大） 98.62s 答案错误: 13 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 6.2 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 43.5% 不稳定测试 2 输入令牌 7,608 输出令牌 17,529 推理令牌 34,499 响应时间（平均） 48.94s 响应时间（总计） 831.92s 响应时间（最大） 143.82s API 错误: 7 答案错误: 5 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 5.3 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
#388#388	Mercury 2.5none	4.1	Inception	$0.026	5.10s
查看模型卡片总测试数 23 错误测试数 21 可靠性 10.0 尝试通过率 24.6% 不稳定测试 7 输入令牌 311,488 输出令牌 89,958 推理令牌 0 响应时间（平均） 5.10s 响应时间（总计） 117.24s 响应时间（最大） 63.41s 答案错误: 15 未遵循指令: 4 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.8 编程 : 3.7 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 4.9 谜题求解 : 3.7 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
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 36.2% 不稳定测试 3 输入令牌 410,787 输出令牌 117,742 推理令牌 0 响应时间（平均） 14.70s 响应时间（总计） 338.13s 响应时间（最大） 186.24s 答案错误: 14 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 3.0 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 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#272#272	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.9 尝试通过率 37.7% 不稳定测试 1 输入令牌 259,708 输出令牌 16,567 推理令牌 33,580 响应时间（平均） 50.47s 响应时间（总计） 1160.91s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.4 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 47.8% 不稳定测试 5 输入令牌 285,293 输出令牌 29,565 推理令牌 89,266 响应时间（平均） 31.58s 响应时间（总计） 536.78s 响应时间（最大） 203.90s 答案错误: 10 未遵循指令: 3 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 6.7 编程 : 5.9 综合 : 6.5 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
#311#311	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 42.0% 不稳定测试 1 输入令牌 280,126 输出令牌 17,306 推理令牌 0 响应时间（平均） 10.55s 响应时间（总计） 242.57s 响应时间（最大） 75.76s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 8.3 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#298#298	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 42.0% 不稳定测试 1 输入令牌 270,970 输出令牌 15,499 推理令牌 0 响应时间（平均） 7.28s 响应时间（总计） 152.84s 响应时间（最大） 44.73s 答案错误: 11 API 错误: 2 未遵循指令: 1 智能体任务 : 3.9 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
#141#141	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 4 输入令牌 195,928 输出令牌 5,728 推理令牌 19,152 响应时间（平均） 23.23s 响应时间（总计） 534.22s 响应时间（最大） 89.37s 答案错误: 7 API 错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 6.0 综合 : 7.3 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 : 7.1 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#394#394	Laguna M.1medium	3.9	Poolside	$0.033 ↕	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 43.5% 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 智能体任务 : 0.0 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 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
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 23.2% 不稳定测试 2 输入令牌 100,634 输出令牌 9,609 推理令牌 100 响应时间（平均） 1.18s 响应时间（总计） 27.14s 响应时间（最大） 9.00s 答案错误: 17 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 3.4 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 5 输入令牌 317,982 输出令牌 3,918 推理令牌 135,028 响应时间（平均） 7.74s 响应时间（总计） 178.07s 响应时间（最大） 107.89s 答案错误: 9 API 错误: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#323#323	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.2 尝试通过率 33.3% 不稳定测试 1 输入令牌 332,917 输出令牌 18,989 推理令牌 42,362 响应时间（平均） 58.20s 响应时间（总计） 1338.65s 响应时间（最大） 566.80s 答案错误: 11 超时: 3 未遵循指令: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.1 尝试通过率 15.9% 不稳定测试 2 输入令牌 226,872 输出令牌 133,268 推理令牌 0 响应时间（平均） 84.66s 响应时间（总计） 1947.17s 响应时间（最大） 747.17s 答案错误: 11 额外格式: 4 超时: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 4.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#213#213	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 58.0% 不稳定测试 4 输入令牌 255,173 输出令牌 9,891 推理令牌 17,277 响应时间（平均） 11.82s 响应时间（总计） 271.92s 响应时间（最大） 90.45s 答案错误: 8 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.4 综合 : 3.8 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#199#199	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 1 输入令牌 397,291 输出令牌 6,355 推理令牌 143,752 响应时间（平均） 6.66s 响应时间（总计） 153.29s 响应时间（最大） 74.63s 答案错误: 4 API 错误: 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 : 10.0 编程 : 7.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 65.2% 不稳定测试 6 输入令牌 298,512 输出令牌 3,178 推理令牌 177,419 响应时间（平均） 7.61s 响应时间（总计） 175.08s 响应时间（最大） 86.84s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 10.0 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 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