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）
#313#313	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.0 尝试通过率 37.7% 不稳定测试 6 输入令牌 319,668 输出令牌 32,069 推理令牌 0 响应时间（平均） 17.51s 响应时间（总计） 402.66s 响应时间（最大） 132.84s 答案错误: 12 额外格式: 2 未遵循指令: 2 无答案: 1 智能体任务 : 6.1 反AI技巧 : 3.0 编程 : 3.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#318#318	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
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 30.4% 不稳定测试 2 输入令牌 276,697 输出令牌 75,728 推理令牌 0 响应时间（平均） 6.20s 响应时间（总计） 142.63s 响应时间（最大） 62.57s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 3.7 综合 : 3.7 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 : 6.5 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#322#322	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
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 34.8% 不稳定测试 3 输入令牌 230,744 输出令牌 8,000 推理令牌 0 响应时间（平均） 3.78s 响应时间（总计） 86.83s 响应时间（最大） 53.77s 答案错误: 15 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 3.8 综合 : 3.2 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 : 7.1 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#329#329	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
#336#336	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
#341#341	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
#364#364	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
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 34.8% 不稳定测试 5 输入令牌 342,158 输出令牌 32,853 推理令牌 25,013 响应时间（平均） 22.44s 响应时间（总计） 516.03s 响应时间（最大） 122.50s 答案错误: 9 API 错误: 3 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 3.2 编程 : 3.1 综合 : 4.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#373#373	Ling 2.6 Flashdefault	4.5	Inclusionai	$0.002 ↑	10.21s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.6 尝试通过率 29.0% 不稳定测试 2 输入令牌 114,384 输出令牌 14,903 推理令牌 0 响应时间（平均） 10.21s 响应时间（总计） 214.31s 响应时间（最大） 36.03s 答案错误: 9 API 错误: 3 无效工具调用: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 6.8 编程 : 5.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 21.7% 不稳定测试 0 输入令牌 33,675 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 API 错误: 4 未遵循指令: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 3.0 编程 : 0.8 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 : 6.5 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#387#387	GLM 5 Turbonone	4.2	Z.ai	$0.047 ↑	2.82s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 29.0% 不稳定测试 2 输入令牌 32,525 输出令牌 1,815 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 59.29s 响应时间（最大） 8.21s 答案错误: 13 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 3.0 编程 : 3.9 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
查看模型卡片总测试数 21 错误测试数 15 可靠性不适用尝试通过率 27.5% 不稳定测试 1 输入令牌 33,744 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 6.6 编程 : 3.7 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#439#439	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
查看模型卡片总测试数 7 错误测试数 5 可靠性 10.0 尝试通过率 14.5% 不稳定测试 3 输入令牌 47,586 输出令牌 51 推理令牌 0 响应时间（平均） 6.01s 响应时间（总计） 42.05s 响应时间（最大） 13.10s 答案错误: 5 智能体任务 : 0.0 反AI技巧 : 0.8 编程 : 0.0 综合 : 0.0 数据解析与提取 : 3.7 领域专项 : 4.3 通用智能 : 0.0 指令遵循 : 5.0 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
查看模型卡片总测试数 20 错误测试数 14 可靠性 10.0 尝试通过率 34.8% 不稳定测试 3 输入令牌 131,652 输出令牌 16,869 推理令牌 53,081 响应时间（平均） 28.63s 响应时间（总计） 486.69s 响应时间（最大） 140.90s 答案错误: 9 API 错误: 3 未遵循指令: 2 智能体任务 : 6.1 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 3.0 常识问答 : 3.0
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
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 2 输入令牌 405,921 输出令牌 97,112 推理令牌 0 响应时间（平均） 14.79s 响应时间（总计） 340.25s 响应时间（最大） 212.63s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 3.7 综合 : 5.2 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 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
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 236,599 输出令牌 11,561 推理令牌 4,975 响应时间（平均） 5.30s 响应时间（总计） 121.91s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 4.5 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 : 6.3 谜题求解 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
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 33.3% 不稳定测试 1 输入令牌 388,929 输出令牌 57,714 推理令牌 0 响应时间（平均） 7.63s 响应时间（总计） 175.42s 响应时间（最大） 93.47s 答案错误: 13 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 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
#284#284	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
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 40.6% 不稳定测试 5 输入令牌 393,560 输出令牌 30,466 推理令牌 311 响应时间（平均） 8.60s 响应时间（总计） 197.73s 响应时间（最大） 64.73s 答案错误: 9 额外格式: 4 无答案: 2 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 5.3 编程 : 4.6 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 6.4 谜题求解 : 6.0 工具调用 : 10.0 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
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.7 尝试通过率 36.2% 不稳定测试 3 输入令牌 337,756 输出令牌 292,779 推理令牌 0 响应时间（平均） 16.63s 响应时间（总计） 382.53s 响应时间（最大） 247.66s 答案错误: 11 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 反AI技巧 : 3.7 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.7 通用智能 : 5.5 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
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 33.3% 不稳定测试 2 输入令牌 219,404 输出令牌 9,372 推理令牌 0 响应时间（平均） 3.89s 响应时间（总计） 89.48s 响应时间（最大） 43.73s 答案错误: 15 未遵循指令: 1 智能体任务 : 5.0 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
#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
#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
#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
#331#331	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
#345#345	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

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