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：: 2026-06-04 已评估模型: 163

163/163

排名	模型	分数	公司	总成本	响应时间（平均）
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
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 56.7% 不稳定测试 1 输入令牌 34,431 输出令牌 91,587 推理令牌 195,973 响应时间（平均） 72.53s 响应时间（总计） 1015.47s 响应时间（最大） 453.94s 答案错误: 4 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 3.5 综合 : 10.0 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
#44#44	Gemini 3.1 Flash Litemedium	7.5	Google	$0.071	3.23s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 36,808 输出令牌 2,254 推理令牌 38,300 响应时间（平均） 3.23s 响应时间（总计） 67.80s 响应时间（最大） 10.87s 答案错误: 7 未遵循指令: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 10.0 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#74#74	Qwen3.6 Max Previewnone	6.9	Qwen	$0.075 ↓	3.30s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 58.7% 不稳定测试 2 输入令牌 42,509 输出令牌 4,779 推理令牌 0 响应时间（平均） 3.30s 响应时间（总计） 69.40s 响应时间（最大） 20.51s 答案错误: 10 反AI技巧 : 5.2 编程 : 3.8 综合 : 3.0 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
#103#103	DeepSeek V4 Prohigh	6.0	DeepSeek	$0.079 ↓	65.21s
查看模型卡片总测试数 21 错误测试数 13 可靠性 9.0 尝试通过率 52.4% 不稳定测试 6 输入令牌 32,240 输出令牌 12,250 推理令牌 72,257 响应时间（平均） 65.21s 响应时间（总计） 1304.19s 响应时间（最大） 358.35s API 错误: 5 答案错误: 4 超时: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 3.3 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#124#124	Kimi K2.6none	5.5	Moonshot AI	$0.079 ↓	13.27s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 36.5% 不稳定测试 2 输入令牌 32,916 输出令牌 16,410 推理令牌 0 响应时间（平均） 13.27s 响应时间（总计） 278.57s 响应时间（最大） 238.89s 答案错误: 11 未遵循指令: 3 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
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 71.4% 不稳定测试 5 输入令牌 38,926 输出令牌 2,088 推理令牌 294,598 响应时间（平均） 63.29s 响应时间（总计） 1265.85s 响应时间（最大） 234.29s 答案错误: 4 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 3.7 综合 : 10.0 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
#94#94	GPT-5 Nanomedium	6.3	OpenAI	$0.081	42.51s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 57.1% 不稳定测试 7 输入令牌 34,108 输出令牌 5,464 推理令牌 192,064 响应时间（平均） 42.51s 响应时间（总计） 595.09s 响应时间（最大） 204.02s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 10.0 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
#106#106	Grok 4.20 Betanone	5.8	X AI	$0.087 ↓	1.19s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 37.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.5 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0
#43#43	MiMo-V2.5-Promedium	7.5	Xiaomi	$0.106 ↓	26.13s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 40,854 输出令牌 5,015 推理令牌 97,742 响应时间（平均） 26.13s 响应时间（总计） 548.65s 响应时间（最大） 130.77s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 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
#70#70	GPT-5.4 Nanomedium	7.0	OpenAI	$0.107	11.95s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 63.5% 不稳定测试 4 输入令牌 35,434 输出令牌 3,014 推理令牌 76,520 响应时间（平均） 11.95s 响应时间（总计） 250.98s 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 : 9.8 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
#32#32	Gemini 3.5 Flashminimal	7.7	Google	$0.108	1.57s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 68.3% 不稳定测试 1 输入令牌 39,847 输出令牌 5,277 推理令牌 0 响应时间（平均） 1.57s 响应时间（总计） 33.02s 响应时间（最大） 5.51s 答案错误: 5 未遵循指令: 1 无效工具调用: 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
#16#16	Gemini 3 Flash Previewlow	8.4	Google	$0.111	5.76s
查看模型卡片总测试数 21 错误测试数 5 可靠性 10.0 尝试通过率 79.4% 不稳定测试 2 输入令牌 36,769 输出令牌 2,076 推理令牌 28,518 响应时间（平均） 5.76s 响应时间（总计） 120.93s 响应时间（最大） 14.72s 答案错误: 5 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
#125#125	GPT-5.4none	5.5	OpenAI	$0.122	1.42s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 36.5% 不稳定测试 2 输入令牌 34,212 输出令牌 2,417 推理令牌 0 响应时间（平均） 1.42s 响应时间（总计） 29.87s 响应时间（最大） 2.95s 答案错误: 13 未遵循指令: 1 反AI技巧 : 3.2 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 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#130#130	MiniMax M2.7medium	5.3	Minimax	$0.124 ↓	38.18s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 46.0% 不稳定测试 8 输入令牌 34,371 输出令牌 8,981 推理令牌 89,812 响应时间（平均） 38.18s 响应时间（总计） 763.60s 响应时间（最大） 196.21s 答案错误: 6 未遵循指令: 5 超时: 2 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 7.9 编程 : 5.7 综合 : 4.7 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
#67#67	MiniMax M3medium	7.1	Minimax	$0.131	68.17s
查看模型卡片总测试数 21 错误测试数 10 可靠性 9.6 尝试通过率 65.1% 不稳定测试 5 输入令牌 46,546 输出令牌 49,036 推理令牌 92,543 响应时间（平均） 68.17s 响应时间（总计） 1363.38s 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
#46#46	Qwen3.6 35B A3Bmedium	7.4	Qwen	$0.146 ↑	18.08s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 63.5% 不稳定测试 1 输入令牌 16,385 输出令牌 19,632 推理令牌 130,219 响应时间（平均） 18.08s 响应时间（总计） 343.61s 响应时间（最大） 86.11s 答案错误: 4 API 错误: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 7.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#54#54	GPT-5 Minimedium	7.3	OpenAI	$0.159	23.64s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 63.5% 不稳定测试 2 输入令牌 37,100 输出令牌 6,801 推理令牌 67,690 响应时间（平均） 23.64s 响应时间（总计） 496.44s 响应时间（最大） 88.15s 答案错误: 5 未遵循指令: 3 超时: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 10.0 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
#19#19	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.175	47.07s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 76.2% 不稳定测试 3 输入令牌 46,740 输出令牌 3,230 推理令牌 78,406 响应时间（平均） 47.07s 响应时间（总计） 988.37s 响应时间（最大） 254.92s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 8.0 综合 : 10.0 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
#18#18	Qwen3.7 Plusmedium	8.2	Qwen	$0.221	38.95s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 77.8% 不稳定测试 2 输入令牌 40,939 输出令牌 2,125 推理令牌 125,754 响应时间（平均） 38.95s 响应时间（总计） 817.85s 响应时间（最大） 178.04s 答案错误: 5 超时: 1 反AI技巧 : 10.0 编程 : 6.1 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#17#17	GLM 5medium	8.3	Z.ai	$0.228 ↓	33.54s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 82.5% 不稳定测试 4 输入令牌 35,224 输出令牌 21,570 推理令牌 102,996 响应时间（平均） 33.54s 响应时间（总计） 435.99s 响应时间（最大） 99.85s 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#91#91	GPT-5.5none	6.4	OpenAI	$0.231	1.89s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 54.0% 不稳定测试 3 输入令牌 34,212 输出令牌 1,971 推理令牌 0 响应时间（平均） 1.89s 响应时间（总计） 39.64s 响应时间（最大） 5.56s 答案错误: 11 反AI技巧 : 6.9 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 : 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
#39#39	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 71.4% 不稳定测试 5 输入令牌 42,362 输出令牌 2,995 推理令牌 245,358 响应时间（平均） 19.25s 响应时间（总计） 404.20s 响应时间（最大） 122.87s 答案错误: 8 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#55#55	GLM 5.1medium	7.3	Z.ai	$0.292 ↓	33.67s
查看模型卡片总测试数 21 错误测试数 9 可靠性 6.7 尝试通过率 68.3% 不稳定测试 4 输入令牌 32,995 输出令牌 11,655 推理令牌 75,421 响应时间（平均） 33.67s 响应时间（总计） 673.41s 响应时间（最大） 172.60s 答案错误: 4 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.5 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#26#26	Qwen3.6 Plusmedium	7.9	Qwen	$0.294 ↑	30.70s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 69.8% 不稳定测试 2 输入令牌 41,565 输出令牌 1,853 推理令牌 141,973 响应时间（平均） 30.70s 响应时间（总计） 613.99s 响应时间（最大） 201.68s 答案错误: 5 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.1 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#25#25	Qwen3.5 Plus 2026-02-15medium	7.9	Qwen	$0.310 ↓	73.79s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 73.0% 不稳定测试 3 输入令牌 40,918 输出令牌 2,159 推理令牌 189,604 响应时间（平均） 73.79s 响应时间（总计） 1033.07s 响应时间（最大） 266.69s 答案错误: 4 超时: 2 API 错误: 1 反AI技巧 : 8.2 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#77#77	Claude Sonnet 4.6none	6.8	Anthropic	$0.316	5.04s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 55.6% 不稳定测试 1 输入令牌 57,886 输出令牌 9,465 推理令牌 0 响应时间（平均） 5.04s 响应时间（总计） 70.60s 响应时间（最大） 23.84s 答案错误: 5 额外格式: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 5.5 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
#36#36	Qwen3.5 Plus 2026-04-20medium	7.6	Qwen	$0.317 ↓	46.36s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 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 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 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
#23#23	GLM 5 Turbomedium	8.0	Z.ai	$0.323 ↑	23.00s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 74.6% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#76#76	Kimi K2.5medium	6.8	Moonshot AI	$0.328 ↓	98.43s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 68.3% 不稳定测试 8 输入令牌 34,312 输出令牌 48,379 推理令牌 157,747 响应时间（平均） 98.43s 响应时间（总计） 1378.03s 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 : 6.1 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
#51#51	Mimo V2 PROmedium	7.4	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 73.0% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 4.7 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 : 9.9 谜题求解 : 6.4 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 PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium免费可用 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比