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）
#137#137	DeepSeek V4 Flashnone	5.1	DeepSeek	$0.008 ↓	27.97s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 31.7% 不稳定测试 3 输入令牌 47,538 输出令牌 13,700 推理令牌 0 响应时间（平均） 27.97s 响应时间（总计） 559.36s 响应时间（最大） 111.96s 答案错误: 11 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 4.8 综合 : 4.5 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 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#101#101	Grok Build 0.1none	6.0	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 50.9% 不稳定测试 4 输入令牌 11,793 输出令牌 267,275 推理令牌 0 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.0 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#128#128	MiniMax M2.7medium	5.4	Minimax	$0.104 ↓	29.86s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 48.3% 不稳定测试 8 输入令牌 33,493 输出令牌 8,224 推理令牌 73,373 响应时间（平均） 29.86s 响应时间（总计） 567.39s 响应时间（最大） 117.04s 答案错误: 6 未遵循指令: 5 超时: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.9 编程 : 6.7 综合 : 4.7 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
#18#18	GLM 5medium	8.2	Z.ai	$0.212 ↓	32.67s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 81.7% 不稳定测试 4 输入令牌 32,626 输出令牌 21,558 推理令牌 95,772 响应时间（平均） 32.67s 响应时间（总计） 392.01s 响应时间（最大） 99.85s 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 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
#155#155	GLM 4.7 Flashmedium	4.5	Z.ai	$0.054	35.10s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 35.0% 不稳定测试 8 输入令牌 37,206 输出令牌 43,754 推理令牌 89,079 响应时间（平均） 35.10s 响应时间（总计） 456.24s 响应时间（最大） 174.55s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 1 超时: 1 反AI技巧 : 4.7 编程 : 3.4 综合 : 2.8 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#22#22	Gemma 4 31Bmedium	8.0	Google	$0.028 ↓	35.39s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 73.3% 不稳定测试 1 输入令牌 15,899 输出令牌 19,602 推理令牌 49,686 响应时间（平均） 35.39s 响应时间（总计） 637.01s 响应时间（最大） 150.90s API 错误: 2 答案错误: 2 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 4.1 综合 : 3.0 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 : 9.9 工具调用 : 3.0 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
#16#16	Qwen3.7 Plusmedium	8.4	Qwen	$0.199	36.84s
查看模型卡片总测试数 20 错误测试数 5 可靠性 9.9 尝试通过率 80.0% 不稳定测试 2 输入令牌 38,104 输出令牌 2,107 推理令牌 112,479 响应时间（平均） 36.84s 响应时间（总计） 736.86s 响应时间（最大） 178.04s 答案错误: 4 超时: 1 反AI技巧 : 10.0 编程 : 6.5 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.6 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
#10#10	GPT-5.5medium	8.7	OpenAI	$3.502	37.88s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 86.7% 不稳定测试 3 输入令牌 31,593 输出令牌 1,964 推理令牌 109,481 响应时间（平均） 37.88s 响应时间（总计） 757.66s 响应时间（最大） 332.10s 答案错误: 4 反AI技巧 : 10.0 编程 : 8.2 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 : 2.8
#83#83	Step 3.5 Flashnone	6.6	Stepfun	$0.020	39.03s
查看模型卡片总测试数 12 错误测试数 6 可靠性 10.0 尝试通过率 50.0% 不稳定测试 0 输入令牌 1,971 输出令牌 64,795 推理令牌 0 响应时间（平均） 39.03s 响应时间（总计） 312.26s 响应时间（最大） 114.12s API 错误: 4 未遵循指令: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 10.0 通用智能 : 4.0 指令遵循 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#38#38	Qwen3.5-122B-A10Bmedium	7.7	Qwen	$0.509 ↓	39.40s
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 71.7% 不稳定测试 3 输入令牌 38,997 输出令牌 26,166 推理令牌 213,524 响应时间（平均） 39.40s 响应时间（总计） 788.00s 响应时间（最大） 168.16s 答案错误: 5 超时: 2 反AI技巧 : 10.0 编程 : 4.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#116#116	Cobuddymedium	5.8	Baidu	$0.000	39.90s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 50.0% 不稳定测试 6 输入令牌 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 39.90s 响应时间（总计） 797.98s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.7 编程 : 4.1 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#75#75	Mimo V2 Omnimedium	6.9	Xiaomi	$0.683 ↓	41.16s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 58.3% 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 额外格式: 1 反AI技巧 : 10.0 编程 : 3.4 综合 : 10.0 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
#40#40	Grok Build 0.1medium	7.7	X AI	$0.729	42.39s
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 65.0% 不稳定测试 0 输入令牌 41,496 输出令牌 2,258 推理令牌 341,381 响应时间（平均） 42.39s 响应时间（总计） 847.76s 响应时间（最大） 252.69s 答案错误: 4 额外格式: 3 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 : 5.3 通用智能 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#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
#99#99	GPT-5 Nanomedium	6.1	OpenAI	$0.077	43.52s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 55.0% 不稳定测试 7 输入令牌 31,489 输出令牌 5,328 推理令牌 181,056 响应时间（平均） 43.52s 响应时间（总计） 565.82s 响应时间（最大） 204.02s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 6.5 编程 : 5.4 综合 : 10.0 数据解析与提取 : 3.7 领域专项 : 5.2 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
#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
#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
#33#33	Grok 4.3medium	7.8	X AI	$0.593	49.23s
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 4 输入令牌 41,532 输出令牌 1,485 推理令牌 214,710 响应时间（平均） 49.23s 响应时间（总计） 984.52s 响应时间（最大） 216.69s 答案错误: 4 未遵循指令: 2 额外格式: 1 反AI技巧 : 10.0 编程 : 7.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#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
#125#125	MiniMax M2.5medium	5.5	Minimax	$0.294 ↓	49.87s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 48.3% 不稳定测试 9 输入令牌 41,948 输出令牌 109,492 推理令牌 251,674 响应时间（平均） 49.87s 响应时间（总计） 598.39s 响应时间（最大） 237.27s 答案错误: 7 超时: 4 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 3.5 综合 : 4.5 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#32#32	Gemma 4 26B A4Bmedium	7.8	Google	$0.038 ↓	50.92s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 73.3% 不稳定测试 2 输入令牌 38,410 输出令牌 28,000 推理令牌 82,045 响应时间（平均） 50.92s 响应时间（总计） 967.47s 响应时间（最大） 369.32s 答案错误: 3 超时: 2 无答案: 1 反AI技巧 : 10.0 编程 : 2.9 综合 : 9.6 数据解析与提取 : 10.0 领域专项 : 2.9 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
#77#77	DeepSeek V3.2medium	6.8	DeepSeek	$0.033 ↓	53.34s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 63.3% 不稳定测试 6 输入令牌 35,744 输出令牌 7,177 推理令牌 68,297 响应时间（平均） 53.34s 响应时间（总计） 1066.71s 响应时间（最大） 189.03s 答案错误: 5 API 错误: 2 超时: 2 未遵循指令: 1 反AI技巧 : 8.2 编程 : 3.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.0 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
#93#93	Ring-2.6-1Tnone	6.4	Inclusionai	$0.026	55.10s
查看模型卡片总测试数 20 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 7,599 输出令牌 39,954 推理令牌 0 响应时间（平均） 55.10s 响应时间（总计） 881.55s 响应时间（最大） 143.82s 答案错误: 5 API 错误: 4 未遵循指令: 2 反AI技巧 : 9.2 编程 : 6.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 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
#84#84	Qwen3.6 27Bmedium	6.6	Qwen	$0.380 ↑	57.79s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 58.3% 不稳定测试 5 输入令牌 36,541 输出令牌 12,981 推理令牌 105,822 响应时间（平均） 57.79s 响应时间（总计） 1155.83s 响应时间（最大） 168.22s 答案错误: 6 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 6.6 综合 : 7.0 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#15#15	Qwen3.6 Max Previewmedium	8.4	Qwen	$0.872 ↓	58.43s
查看模型卡片总测试数 20 错误测试数 5 可靠性 10.0 尝试通过率 80.0% 不稳定测试 2 输入令牌 39,527 输出令牌 2,253 推理令牌 130,852 响应时间（平均） 58.43s 响应时间（总计） 1168.66s 响应时间（最大） 238.07s 答案错误: 5 反AI技巧 : 10.0 编程 : 8.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 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
#100#100	DeepSeek V4 Prohigh	6.1	DeepSeek	$0.062 ↓	58.92s
查看模型卡片总测试数 20 错误测试数 12 可靠性 8.9 尝试通过率 55.0% 不稳定测试 6 输入令牌 30,514 输出令牌 12,244 推理令牌 53,958 响应时间（平均） 58.92s 响应时间（总计） 1119.51s 响应时间（最大） 358.35s API 错误: 5 答案错误: 4 超时: 2 未遵循指令: 1 反AI技巧 : 6.4 编程 : 2.7 综合 : 10.0 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 : 5.9 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