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）
#43#43	Muse Wonderminimal	9.1	Meta	$1.639	7.72s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.7 尝试通过率 76.8% 不稳定测试 2 输入令牌 238,532 输出令牌 9,812 推理令牌 24,412 响应时间（平均） 7.72s 响应时间（总计） 177.57s 响应时间（最大） 42.89s API 错误: 3 答案错误: 3 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 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 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 5 输入令牌 317,982 输出令牌 3,918 推理令牌 135,028 响应时间（平均） 7.74s 响应时间（总计） 178.07s 响应时间（最大） 107.89s 答案错误: 9 API 错误: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
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 29.0% 不稳定测试 8 输入令牌 465,127 输出令牌 72,309 推理令牌 0 响应时间（平均） 7.79s 响应时间（总计） 179.09s 响应时间（最大） 121.52s 答案错误: 16 未遵循指令: 2 无效工具调用: 2 智能体任务 : 5.2 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 4.9 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#325#325	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.9 尝试通过率 53.6% 不稳定测试 2 输入令牌 106,348 输出令牌 19,257 推理令牌 0 响应时间（平均） 7.82s 响应时间（总计） 172.04s 响应时间（最大） 102.62s 答案错误: 11 智能体任务 : 0.0 反AI技巧 : 5.2 编程 : 3.8 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.3 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
#45#45	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 2 输入令牌 244,533 输出令牌 3,450 推理令牌 39,280 响应时间（平均） 7.85s 响应时间（总计） 180.45s 响应时间（最大） 53.74s 答案错误: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 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
#118#118	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.9 尝试通过率 69.6% 不稳定测试 0 输入令牌 243,553 输出令牌 20,670 推理令牌 0 响应时间（平均） 7.85s 响应时间（总计） 180.65s 响应时间（最大） 80.34s 答案错误: 7 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 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
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
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 40.6% 不稳定测试 1 输入令牌 361,183 输出令牌 26,609 推理令牌 11,139 响应时间（平均） 8.03s 响应时间（总计） 184.80s 响应时间（最大） 51.18s 额外格式: 8 未遵循指令: 3 无效工具调用: 1 无答案: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 3.4 综合 : 8.5 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 : 6.3 谜题求解 : 7.7 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
#18#18	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 202,347 输出令牌 6,660 推理令牌 68,002 响应时间（平均） 8.16s 响应时间（总计） 187.58s 响应时间（最大） 58.39s 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.7 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 : 10.0
#351#351	Ling 2.6 1tdefault	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
#337#337	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
#327#327	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 40,677 推理令牌 23,104 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
#244#244	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 42.0% 不稳定测试 3 输入令牌 276,199 输出令牌 17,473 推理令牌 0 响应时间（平均） 8.50s 响应时间（总计） 195.60s 响应时间（最大） 81.77s 答案错误: 13 额外格式: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 5.5 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 : 6.5 谜题求解 : 4.0 工具调用 : 10.0 常识问答 : 3.0
#188#188	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 72.5% 不稳定测试 2 输入令牌 251,677 输出令牌 11,196 推理令牌 31,204 响应时间（平均） 8.51s 响应时间（总计） 195.76s 响应时间（最大） 52.64s 答案错误: 7 智能体任务 : 5.0 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
#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
#164#164	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 76.8% 不稳定测试 7 输入令牌 388,307 输出令牌 10,412 推理令牌 118,802 响应时间（平均） 8.68s 响应时间（总计） 199.65s 响应时间（最大） 86.92s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#69#69	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 87.0% 不稳定测试 4 输入令牌 172,359 输出令牌 5,026 推理令牌 8,185 响应时间（平均） 8.72s 响应时间（总计） 200.61s 响应时间（最大） 48.43s 答案错误: 5 智能体任务 : 10.0 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 : 5.3 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 : 4.7
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
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 40.6% 不稳定测试 1 输入令牌 190,675 输出令牌 5,577 推理令牌 0 响应时间（平均） 8.74s 响应时间（总计） 131.17s 响应时间（最大） 74.80s 答案错误: 13 智能体任务 : 5.0 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
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 172,860 输出令牌 5,172 推理令牌 13,179 响应时间（平均） 8.90s 响应时间（总计） 204.78s 响应时间（最大） 51.03s 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.7 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 : 4.7
#101#101	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 71.0% 不稳定测试 2 输入令牌 172,507 输出令牌 5,824 推理令牌 27,365 响应时间（平均） 8.93s 响应时间（总计） 205.39s 响应时间（最大） 54.74s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 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 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#200#200	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 63.8% 不稳定测试 4 输入令牌 235,086 输出令牌 7,989 推理令牌 0 响应时间（平均） 9.02s 响应时间（总计） 207.45s 响应时间（最大） 57.02s 答案错误: 10 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 5.5 综合 : 6.5 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 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 59.4% 不稳定测试 5 输入令牌 232,218 输出令牌 4,944 推理令牌 142,263 响应时间（平均） 9.03s 响应时间（总计） 207.67s 响应时间（最大） 36.04s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.8 编程 : 8.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#350#350	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
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 63.8% 不稳定测试 5 输入令牌 212,065 输出令牌 4,428 推理令牌 154,069 响应时间（平均） 9.18s 响应时间（总计） 211.12s 响应时间（最大） 44.64s 答案错误: 8 API 错误: 3 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 62.3% 不稳定测试 3 输入令牌 212,780 输出令牌 6,849 推理令牌 41,137 响应时间（平均） 9.64s 响应时间（总计） 221.62s 响应时间（最大） 58.09s 答案错误: 9 无效工具调用: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.4 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 : 9.9 谜题求解 : 7.8 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