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：: 2026-08-15 已评估模型: 287

287/287

排名	模型	分数	公司	总成本	响应时间（平均）
#197#197	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
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 42.4% 不稳定测试 1 输入令牌 37,135 输出令牌 1,989 推理令牌 0 响应时间（平均） 4.03s 响应时间（总计） 56.37s 响应时间（最大） 11.07s 答案错误: 12 反AI技巧 : 4.8 编程 : 4.0 综合 : 1.5 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
#196#196	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
查看模型卡片总测试数 22 错误测试数 14 可靠性 9.1 尝试通过率 40.9% 不稳定测试 3 输入令牌 81,438 输出令牌 17,674 推理令牌 97,900 响应时间（平均） 52.31s 响应时间（总计） 1046.21s 响应时间（最大） 431.98s 答案错误: 5 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#195#195	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
查看模型卡片总测试数 22 错误测试数 14 可靠性 8.5 尝试通过率 43.9% 不稳定测试 4 输入令牌 81,742 输出令牌 423,884 推理令牌 1,340,907 响应时间（平均） 141.99s 响应时间（总计） 3123.87s 响应时间（最大） 786.72s 答案错误: 9 额外格式: 2 API 错误: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.4 编程 : 4.5 综合 : 2.9 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 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#194#194	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
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 33.3% 不稳定测试 1 输入令牌 130,863 输出令牌 11,912 推理令牌 0 响应时间（平均） 5.37s 响应时间（总计） 118.06s 响应时间（最大） 64.67s 答案错误: 14 无答案: 1 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
#193#193	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
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 108,641 输出令牌 8,339 推理令牌 0 响应时间（平均） 2.08s 响应时间（总计） 45.75s 响应时间（最大） 15.63s 答案错误: 14 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
#192#192	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
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 54.6% 不稳定测试 3 输入令牌 129,150 输出令牌 10,643 推理令牌 0 响应时间（平均） 6.84s 响应时间（总计） 150.46s 响应时间（最大） 55.92s 答案错误: 11 无答案: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 3.8 数据解析与提取 : 7.1 领域专项 : 7.7 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#191#191	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.58s
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 31.8% 不稳定测试 2 输入令牌 79,076 输出令牌 7,898 推理令牌 0 响应时间（平均） 1.58s 响应时间（总计） 34.86s 响应时间（最大） 9.92s 答案错误: 13 未遵循指令: 3 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
#190#190	Hy3 previewhigh	5.9	Tencent	$0.135 ↕	56.57s
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 53.0% 不稳定测试 2 输入令牌 25,987 输出令牌 216,719 推理令牌 0 响应时间（平均） 56.57s 响应时间（总计） 848.59s 响应时间（最大） 149.94s API 错误: 7 答案错误: 3 反AI技巧 : 6.4 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#189#189	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
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 53.0% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 3.3 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#188#188	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
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 57.6% 不稳定测试 8 输入令牌 94,639 输出令牌 108,013 推理令牌 571,526 响应时间（平均） 67.13s 响应时间（总计） 1476.95s 响应时间（最大） 459.19s 答案错误: 9 未遵循指令: 2 无答案: 2 额外格式: 1 反AI技巧 : 8.7 编程 : 4.2 综合 : 9.9 数据解析与提取 : 4.5 领域专项 : 3.6 通用智能 : 3.8 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#187#187	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
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 50.0% 不稳定测试 2 输入令牌 65,716 输出令牌 189,424 推理令牌 379,112 响应时间（平均） 191.63s 响应时间（总计） 3066.07s 响应时间（最大） 1597.85s 答案错误: 5 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 : 3.5 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
#186#186	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.187 ↑	12.73s
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 39.4% 不稳定测试 4 输入令牌 134,530 输出令牌 86,616 推理令牌 0 响应时间（平均） 12.73s 响应时间（总计） 279.97s 响应时间（最大） 209.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 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
#185#185	Qwen3.5-Flashnone	6.0	Qwen	$0.073 ↓	25.28s
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 282,356 输出令牌 209,201 推理令牌 0 响应时间（平均） 25.28s 响应时间（总计） 556.14s 响应时间（最大） 480.96s 答案错误: 14 无效工具调用: 1 反AI技巧 : 3.5 编程 : 5.5 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 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#184#184	GPT-5 Nanomedium	6.0	OpenAI	$0.118	54.20s
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 54.5% 不稳定测试 9 输入令牌 94,944 输出令牌 12,037 推理令牌 270,400 响应时间（平均） 54.20s 响应时间（总计） 867.23s 响应时间（最大） 227.89s 答案错误: 10 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 : 3.4 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
#183#183	Gemini 3 PRO Previewmedium	6.0	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 63.6% 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 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
#182#182	GPT-5.6 Terranone	6.0	OpenAI	$0.140 ↓	1.66s
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 42.4% 不稳定测试 3 输入令牌 102,268 输出令牌 6,221 推理令牌 0 响应时间（平均） 1.66s 响应时间（总计） 36.54s 响应时间（最大） 10.07s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 4.8 编程 : 5.5 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 : 8.5 谜题求解 : 5.3 工具调用 : 9.6 常识问答 : 3.0
#181#181	Grok 4.20 Betamedium	6.0	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 66.7% 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 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
#180#180	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
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 39.4% 不稳定测试 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.19s 响应时间（总计） 136.23s 响应时间（最大） 118.00s 答案错误: 13 无效工具调用: 1 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#179#179	Trinity Large Thinkinglow	6.0	Arcee AI	$0.658	96.61s
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 47.0% 不稳定测试 5 输入令牌 122,854 输出令牌 119,810 推理令牌 698,549 响应时间（平均） 96.61s 响应时间（总计） 2125.51s 响应时间（最大） 540.96s 答案错误: 7 API 错误: 2 未遵循指令: 2 无效工具调用: 2 无答案: 1 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#178#178	Nemotron 3 Ultranone	6.1	NVIDIA	$0.095 ↕	3.88s
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 42.4% 不稳定测试 2 输入令牌 101,168 输出令牌 9,470 推理令牌 0 响应时间（平均） 3.88s 响应时间（总计） 85.33s 响应时间（最大） 37.50s 答案错误: 11 API 错误: 2 未遵循指令: 1 反AI技巧 : 3.5 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 : 5.0 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#177#177	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
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 94,477 输出令牌 51,487 推理令牌 0 响应时间（平均） 13.10s 响应时间（总计） 288.23s 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
#176#176	Gemma 4 31Bnone	6.1	Google	$0.018 ↓	5.41s
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 43.9% 不稳定测试 1 输入令牌 125,703 输出令牌 13,317 推理令牌 0 响应时间（平均） 5.41s 响应时间（总计） 108.12s 响应时间（最大） 29.95s 答案错误: 10 API 错误: 2 未遵循指令: 1 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
#175#175	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
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 1 输入令牌 139,797 输出令牌 30,947 推理令牌 0 响应时间（平均） 3.73s 响应时间（总计） 81.95s 响应时间（最大） 48.79s 答案错误: 12 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.1 编程 : 5.4 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 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#174#174	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.798	85.44s
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 48.5% 不稳定测试 6 输入令牌 118,486 输出令牌 156,166 推理令牌 860,619 响应时间（平均） 85.44s 响应时间（总计） 1879.75s 响应时间（最大） 525.14s 答案错误: 8 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#173#173	Inklinglow	6.1	Thinkingmachines	$0.181 ↓	5.11s
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 54.6% 不稳定测试 4 输入令牌 109,893 输出令牌 8,580 推理令牌 10,324 响应时间（平均） 5.11s 响应时间（总计） 112.46s 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
#172#172	Qwen3.5-Flashmedium	6.1	Qwen	$0.142 ↓	84.44s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 118,508 输出令牌 35,457 推理令牌 477,389 响应时间（平均） 84.44s 响应时间（总计） 1773.20s 响应时间（最大） 515.38s 答案错误: 5 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 : 2.9 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
#170#170	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
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 36.4% 不稳定测试 2 输入令牌 218,740 输出令牌 90,507 推理令牌 0 响应时间（平均） 10.05s 响应时间（总计） 221.13s 响应时间（最大） 186.24s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 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
#171#171	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
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 50.0% 不稳定测试 4 输入令牌 118,059 输出令牌 10,723 推理令牌 0 响应时间（平均） 1.75s 响应时间（总计） 38.42s 响应时间（最大） 16.25s 答案错误: 11 未遵循指令: 1 无答案: 1 反AI技巧 : 7.5 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 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#169#169	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	20.81s
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 50.0% 不稳定测试 5 输入令牌 108,767 输出令牌 29,378 推理令牌 68,904 响应时间（平均） 20.81s 响应时间（总计） 332.88s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 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
#168#168	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.623 ↑	110.84s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 130,450 输出令牌 54,857 推理令牌 838,606 响应时间（平均） 110.84s 响应时间（总计） 2438.58s 响应时间（最大） 950.25s 超时: 4 无答案: 3 答案错误: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0

快速对比

Gemini 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy 排行榜

推荐模型

筛选模型

快速对比