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：: 2026-06-03 已评估模型: 161

161/161

排名	模型	分数	公司	总成本	响应时间（平均）
#66#66	Step 3.7 Flashhigh	7.2	Stepfun	$0.960	49.43s
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 63.3% 不稳定测试 3 输入令牌 35,763 输出令牌 828,084 推理令牌 0 响应时间（平均） 49.43s 响应时间（总计） 988.58s 响应时间（最大） 192.75s 答案错误: 6 无答案: 3 反AI技巧 : 10.0 编程 : 3.7 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#67#67	MiniMax M3medium	7.2	Minimax	$0.120	68.44s
查看模型卡片总测试数 20 错误测试数 9 可靠性 9.6 尝试通过率 65.0% 不稳定测试 4 输入令牌 43,447 输出令牌 46,884 推理令牌 85,935 响应时间（平均） 68.44s 响应时间（总计） 1300.32s 响应时间（最大） 431.03s 超时: 3 答案错误: 3 未遵循指令: 2 无答案: 1 反AI技巧 : 5.5 编程 : 6.8 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
#68#68	GPT-5 Minimedium	7.2	OpenAI	$0.149	23.75s
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 61.7% 不稳定测试 2 输入令牌 34,481 输出令牌 6,723 推理令牌 63,082 响应时间（平均） 23.75s 响应时间（总计） 475.03s 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
#69#69	Qwen3.6 Max Previewnone	7.1	Qwen	$0.072 ↓	3.31s
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 61.7% 不稳定测试 2 输入令牌 39,668 输出令牌 4,773 推理令牌 0 响应时间（平均） 3.31s 响应时间（总计） 66.17s 响应时间（最大） 20.51s 答案错误: 9 反AI技巧 : 5.2 编程 : 4.2 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
#70#70	MiMo-V2-Flashmedium	7.1	Xiaomi	$0.040 ↑	20.28s
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 63.3% 不稳定测试 3 输入令牌 37,474 输出令牌 12,458 推理令牌 115,182 响应时间（平均） 20.28s 响应时间（总计） 283.87s 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 反AI技巧 : 8.1 编程 : 4.1 综合 : 9.8 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
#71#71	Seed-2.0-Minimedium	7.1	Bytedance Seed	$0.044	80.22s
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 60.0% 不稳定测试 2 输入令牌 41,904 输出令牌 2,555 推理令牌 95,974 响应时间（平均） 80.22s 响应时间（总计） 1363.72s 响应时间（最大） 262.83s 超时: 4 答案错误: 4 未遵循指令: 1 反AI技巧 : 6.6 编程 : 6.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#72#72	Claude Sonnet 4.6none	7.0	Anthropic	$0.306	5.27s
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 58.3% 不稳定测试 1 输入令牌 54,721 输出令牌 9,450 推理令牌 0 响应时间（平均） 5.27s 响应时间（总计） 68.50s 响应时间（最大） 23.84s 额外格式: 4 答案错误: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 6.8 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
#73#73	Grok 4.20medium	7.0	X AI	$0.450 ↓	19.08s
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 61.7% 不稳定测试 3 输入令牌 41,511 输出令牌 1,816 推理令牌 157,251 响应时间（平均） 19.08s 响应时间（总计） 381.60s 响应时间（最大） 105.80s 答案错误: 6 未遵循指令: 2 额外格式: 1 反AI技巧 : 8.2 编程 : 4.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#74#74	Ring-2.6-1Tmedium	7.0	Inclusionai	$0.033	61.29s
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 63.3% 不稳定测试 3 输入令牌 35,892 输出令牌 21,752 推理令牌 42,754 响应时间（平均） 61.29s 响应时间（总计） 1164.50s 响应时间（最大） 304.19s 答案错误: 6 未遵循指令: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.5 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 3.5 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#76#76	Hy3 previewhigh	6.9	Tencent	$0.048	56.57s
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 58.3% 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: 6 答案错误: 3 反AI技巧 : 6.4 编程 : 6.5 综合 : 10.0 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
#61#61	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
查看模型卡片总测试数 18 错误测试数 8 可靠性 10.0 尝试通过率 68.5% 不稳定测试 4 输入令牌 29,134 输出令牌 1,984 推理令牌 1,355,583 响应时间（平均） 61.96s 响应时间（总计） 1115.31s 响应时间（最大） 149.23s 答案错误: 4 未遵循指令: 3 无答案: 1 反AI技巧 : 8.7 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 : 5.0 指令遵循 : 7.3 谜题求解 : 5.7 工具调用 : 10.0
#55#55	Step 3.5 Flashmedium	7.4	Stepfun	$0.062 ↑	43.20s
查看模型卡片总测试数 19 错误测试数 8 可靠性 10.0 尝试通过率 59.7% 不稳定测试 1 输入令牌 33,555 输出令牌 90,478 推理令牌 173,544 响应时间（平均） 43.20s 响应时间（总计） 561.54s 响应时间（最大） 170.45s 答案错误: 4 未遵循指令: 3 无答案: 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
#41#41	Qwen3.6 Flashmedium	7.6	Qwen	$0.272 ↓	18.97s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 71.7% 不稳定测试 4 输入令牌 39,527 输出令牌 2,974 推理令牌 231,797 响应时间（平均） 18.97s 响应时间（总计） 379.49s 响应时间（最大） 122.87s 答案错误: 7 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.1 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
#42#42	DeepSeek V4 Flashhigh	7.6	DeepSeek	$0.027 ↓	46.36s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 73.3% 不稳定测试 4 输入令牌 37,156 输出令牌 10,302 推理令牌 115,740 响应时间（平均） 46.36s 响应时间（总计） 927.27s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 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
#43#43	MiMo-V2.5-Promedium	7.6	Xiaomi	$0.090 ↓	21.79s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 3 输入令牌 39,096 输出令牌 5,004 推理令牌 80,295 响应时间（平均） 21.79s 响应时间（总计） 435.79s 响应时间（最大） 130.77s 额外格式: 3 答案错误: 3 未遵循指令: 2 反AI技巧 : 10.0 编程 : 7.0 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
#45#45	Qwen3.5-Flashmedium	7.6	Qwen	$0.074 ↓	63.04s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 75.0% 不稳定测试 5 输入令牌 37,036 输出令牌 2,074 推理令牌 272,063 响应时间（平均） 63.04s 响应时间（总计） 1197.71s 响应时间（最大） 234.29s 超时: 3 答案错误: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 4.1 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
#46#46	Mimo V2 PROmedium	7.6	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 20 错误测试数 8 可靠性 9.6 尝试通过率 76.7% 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 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 7.5 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
#48#48	Qwen3.5 Plus 2026-04-20medium	7.5	Qwen	$0.287 ↓	43.65s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 65.0% 不稳定测试 2 输入令牌 39,262 输出令牌 2,259 推理令牌 150,249 响应时间（平均） 43.65s 响应时间（总计） 872.90s 响应时间（最大） 189.38s 答案错误: 8 反AI技巧 : 10.0 编程 : 4.3 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
#49#49	Gemini 3.1 Flash Lite Previewnone	7.5	Google	$0.017	1.23s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 63.3% 不稳定测试 1 输入令牌 34,579 输出令牌 5,541 推理令牌 0 响应时间（平均） 1.23s 响应时间（总计） 24.68s 响应时间（最大） 3.39s 答案错误: 6 未遵循指令: 2 反AI技巧 : 7.5 编程 : 6.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#50#50	Kimi K2.6medium	7.4	Moonshot AI	$0.803 ↓	54.03s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 3 输入令牌 28,584 输出令牌 102,208 推理令牌 229,120 响应时间（平均） 54.03s 响应时间（总计） 1026.57s 响应时间（最大） 215.85s 答案错误: 3 未遵循指令: 2 超时: 2 无答案: 1 反AI技巧 : 7.0 编程 : 6.8 综合 : 10.0 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 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#51#51	Gemini 3.1 Flash Litelow	7.4	Google	$0.026	1.92s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 65.0% 不稳定测试 2 输入令牌 33,889 输出令牌 2,726 推理令牌 8,951 响应时间（平均） 1.92s 响应时间（总计） 38.45s 响应时间（最大） 5.66s 答案错误: 8 反AI技巧 : 7.3 编程 : 6.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#52#52	GLM 5.1medium	7.4	Z.ai	$0.279 ↓	33.45s
查看模型卡片总测试数 20 错误测试数 8 可靠性 5.0 尝试通过率 68.3% 不稳定测试 3 输入令牌 30,397 输出令牌 11,511 推理令牌 71,979 响应时间（平均） 33.45s 响应时间（总计） 635.63s 响应时间（最大） 172.60s 答案错误: 4 超时: 2 API 错误: 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
#53#53	GPT-5.3 Chatnone	7.4	OpenAI	$0.402	6.13s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 31,590 输出令牌 24,757 推理令牌 0 响应时间（平均） 6.13s 响应时间（总计） 122.61s 响应时间（最大） 18.33s 答案错误: 6 未遵循指令: 2 反AI技巧 : 6.7 编程 : 6.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#54#54	MiMo-V2.5medium	7.4	Xiaomi	$0.052 ↓	20.35s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 70.0% 不稳定测试 4 输入令牌 39,201 输出令牌 2,806 推理令牌 161,888 响应时间（平均） 20.35s 响应时间（总计） 406.94s 响应时间（最大） 97.49s 答案错误: 4 额外格式: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.9 综合 : 10.0 数据解析与提取 : 2.7 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#56#56	Step 3.7 Flashlow	7.4	Stepfun	$0.336	16.06s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 3 输入令牌 37,458 输出令牌 285,209 推理令牌 0 响应时间（平均） 16.06s 响应时间（总计） 321.11s 响应时间（最大） 124.75s 答案错误: 7 无答案: 1 反AI技巧 : 8.7 编程 : 10.0 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#58#58	Qwen3.6 35B A3Bmedium	7.3	Qwen	$0.130 ↑	17.26s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 61.7% 不稳定测试 1 输入令牌 13,550 输出令牌 18,304 推理令牌 115,531 响应时间（平均） 17.26s 响应时间（总计） 310.65s 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 : 6.6 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
#59#59	GPT-5.2medium	7.3	OpenAI	$0.492	16.50s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 70.0% 不稳定测试 4 输入令牌 31,348 输出令牌 2,880 推理令牌 28,289 响应时间（平均） 16.50s 响应时间（总计） 214.45s 响应时间（最大） 77.80s 未遵循指令: 3 答案错误: 3 无答案: 1 超时: 1 反AI技巧 : 6.5 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 3.7 指令遵循 : 9.9 谜题求解 : 7.5 工具调用 : 4.7 常识问答 : 3.0
#62#62	Claude Opus 4.8none	7.3	Anthropic	$0.519	3.51s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 65.0% 不稳定测试 2 输入令牌 63,282 输出令牌 8,098 推理令牌 0 响应时间（平均） 3.51s 响应时间（总计） 70.19s 响应时间（最大） 17.73s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 6.8 综合 : 9.5 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#64#64	Claude Opus 4.6medium	7.2	Anthropic	$1.896	25.45s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 63.3% 不稳定测试 2 输入令牌 50,062 输出令牌 42,254 推理令牌 23,554 响应时间（平均） 25.45s 响应时间（总计） 330.91s 响应时间（最大） 83.40s 额外格式: 4 答案错误: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 7.2 综合 : 10.0 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
#20#20	Seed-2.0-Litemedium	8.1	Bytedance Seed	$0.152	36.67s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 75.0% 不稳定测试 3 输入令牌 43,785 输出令牌 3,224 推理令牌 67,040 响应时间（平均） 36.67s 响应时间（总计） 733.46s 响应时间（最大） 168.71s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 7.0 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

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 PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比