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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#307#307	Ling 2.6 1tnone	4.9	Inclusionai	$0.016 ↑	8.16s
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 17.4% 不稳定测试 0 输入令牌 106,423 输出令牌 11,555 推理令牌 0 响应时间（平均） 8.16s 响应时间（总计） 163.24s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 4 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.4 编程 : 3.8 综合 : 6.5 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 : 6.4 谜题求解 : 3.1 工具调用 : 3.0 常识问答 : 3.0
#306#306	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 21 错误测试数 7 可靠性不适用尝试通过率 60.9% 不稳定测试 0 输入令牌 28,848 输出令牌 1,490 推理令牌 10,102 响应时间（平均） 9.05s 响应时间（总计） 90.53s 响应时间（最大） 26.24s API 错误: 4 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.0 综合 : 1.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#305#305	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
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 27.5% 不稳定测试 6 输入令牌 344,806 输出令牌 177,330 推理令牌 453,213 响应时间（平均） 113.63s 响应时间（总计） 2613.48s 响应时间（最大） 1190.11s 答案错误: 12 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 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 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#304#304	Qwen3 Coder Nextnone	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
#303#303	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 8,770 推理令牌 0 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
#302#302	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 63.8% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 5.0 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 0.0
#301#301	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
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 42.0% 不稳定测试 6 输入令牌 61,094 输出令牌 6,532 推理令牌 53,882 响应时间（平均） 10.21s 响应时间（总计） 234.86s 响应时间（最大） 86.23s 答案错误: 7 额外格式: 4 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 7.3 编程 : 3.5 综合 : 6.4 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#300#300	GPT-4o-mininone	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
#299#299	Dots 3 Note Previewnone	5.0	Dots Studio	$0.000	5.36s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 15.9% 不稳定测试 1 输入令牌 225,907 输出令牌 22,507 推理令牌 0 响应时间（平均） 5.36s 响应时间（总计） 123.38s 响应时间（最大） 45.71s 答案错误: 16 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 3.9 反AI技巧 : 3.1 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 : 5.0 指令遵循 : 4.8 谜题求解 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#298#298	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
#297#297	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.9 尝试通过率 44.9% 不稳定测试 8 输入令牌 235,438 输出令牌 8,136 推理令牌 28,734 响应时间（平均） 4.92s 响应时间（总计） 113.24s 响应时间（最大） 84.47s 答案错误: 13 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 : 5.5 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 4.1 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#296#296	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
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 24.6% 不稳定测试 4 输入令牌 230,291 输出令牌 99,030 推理令牌 287,794 响应时间（平均） 63.06s 响应时间（总计） 1450.31s 响应时间（最大） 560.31s 答案错误: 14 无效工具调用: 2 无答案: 2 未遵循指令: 1 智能体任务 : 3.4 反AI技巧 : 3.4 编程 : 5.3 综合 : 3.2 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 : 4.2 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#295#295	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
#294#294	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.6 尝试通过率 43.5% 不稳定测试 3 输入令牌 51,369 输出令牌 8,008 推理令牌 58,568 响应时间（平均） 8.32s 响应时间（总计） 191.40s 响应时间（最大） 48.19s 答案错误: 10 API 错误: 2 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 3.6 综合 : 6.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#293#293	Mercury 2.5low	5.1	Inception	$0.020	3.34s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.8 尝试通过率 37.7% 不稳定测试 5 输入令牌 326,083 输出令牌 7,224 推理令牌 33,078 响应时间（平均） 3.34s 响应时间（总计） 76.80s 响应时间（最大） 47.06s 答案错误: 14 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 : 6.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 2.9 谜题求解 : 5.9 工具调用 : 9.8 常识问答 : 3.0
#292#292	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
#291#291	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
#290#290	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
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 59.4% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.1 编程 : 6.0 综合 : 4.9 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#288#288	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.8 尝试通过率 40.6% 不稳定测试 5 输入令牌 50,423 输出令牌 4,144 推理令牌 110,510 响应时间（平均） 15.23s 响应时间（总计） 350.26s 响应时间（最大） 118.35s 答案错误: 9 API 错误: 4 额外格式: 3 智能体任务 : 3.0 反AI技巧 : 6.9 编程 : 4.3 综合 : 6.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#289#289	Mimo V2 PROmedium	5.2	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 66.7% 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 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 6.0 综合 : 2.3 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
#287#287	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.117 ↕	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
#286#286	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
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 26.1% 不稳定测试 0 输入令牌 123,993 输出令牌 12,777 推理令牌 0 响应时间（平均） 3.40s 响应时间（总计） 74.77s 响应时间（最大） 17.51s 答案错误: 13 API 错误: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 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 : 3.0 通用智能 : 5.0 指令遵循 : 4.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#285#285	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
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 4 输入令牌 81,447 输出令牌 2,715 推理令牌 11,971 响应时间（平均） 1.99s 响应时间（总计） 45.67s 响应时间（最大） 5.82s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 4.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#284#284	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
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 29.0% 不稳定测试 6 输入令牌 272,479 输出令牌 63,781 推理令牌 0 响应时间（平均） 8.43s 响应时间（总计） 176.93s 响应时间（最大） 65.61s 答案错误: 13 API 错误: 2 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.2 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#283#283	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
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 270,072 输出令牌 23,173 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 104.80s 响应时间（最大） 70.79s 答案错误: 14 无效工具调用: 2 未遵循指令: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 5.3 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 : 5.0 指令遵循 : 3.8 谜题求解 : 3.0 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