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：: 2026-07-18 已评估模型: 206

206/206

排名	模型	分数	公司	总成本	响应时间（平均）
#61#61	KAT-Coder-Pro V2.5low	7.4	Kwaipilot	$0.387	19.47s
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 69.7% 不稳定测试 8 输入令牌 87,673 输出令牌 7,166 推理令牌 101,474 响应时间（平均） 19.47s 响应时间（总计） 428.31s 响应时间（最大） 209.15s 答案错误: 10 API 错误: 1 反AI技巧 : 6.9 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#134#134	Kimi K2.6none	5.8	Moonshot AI	$0.233 ↑	19.58s
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 116,970 输出令牌 30,253 推理令牌 0 响应时间（平均） 19.58s 响应时间（总计） 430.85s 响应时间（最大） 238.89s 答案错误: 11 未遵循指令: 3 无答案: 1 反AI技巧 : 4.6 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 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#109#109	MiMo-V2-Flashmedium	6.3	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 62.1% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 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 : 6.0 综合 : 4.9 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
#66#66	Step 3.7 Flashlow	7.3	Stepfun	$0.454	20.68s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 68.2% 不稳定测试 5 输入令牌 103,833 输出令牌 376,581 推理令牌 0 响应时间（平均） 20.68s 响应时间（总计） 455.01s 响应时间（最大） 124.75s 答案错误: 8 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 7.3 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
#68#68	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.482	20.83s
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 63.6% 不稳定测试 6 输入令牌 106,076 输出令牌 9,071 推理令牌 127,093 响应时间（平均） 20.83s 响应时间（总计） 458.31s 响应时间（最大） 199.97s 答案错误: 10 无效工具调用: 1 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#25#25	Gemini 2.5 Flashmedium	8.2	Google	$0.643	21.18s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 71.2% 不稳定测试 1 输入令牌 132,498 输出令牌 12,739 推理令牌 228,464 响应时间（平均） 21.18s 响应时间（总计） 465.89s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.4 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
查看模型卡片总测试数 22 错误测试数 2 可靠性 10.0 尝试通过率 90.9% 不稳定测试 0 输入令牌 92,287 输出令牌 5,232 推理令牌 92,726 响应时间（平均） 21.47s 响应时间（总计） 322.08s 响应时间（最大） 88.68s 答案错误: 2 反AI技巧 : 10.0 编程 : 7.9 综合 : 9.8 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
#202#202	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 33.3% 不稳定测试 2 输入令牌 9,081 输出令牌 51,664 推理令牌 0 响应时间（平均） 21.61s 响应时间（总计） 345.79s 响应时间（最大） 113.71s 答案错误: 8 API 错误: 3 未遵循指令: 2 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
#117#117	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	21.91s
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 108,747 输出令牌 29,772 推理令牌 68,044 响应时间（平均） 21.91s 响应时间（总计） 328.70s 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
#106#106	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 69.7% 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 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 2.3 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
#21#21	GPT-5.2medium	8.4	OpenAI	$0.951	22.62s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 72.7% 不稳定测试 4 输入令牌 105,004 输出令牌 9,914 推理令牌 44,868 响应时间（平均） 22.62s 响应时间（总计） 339.28s 响应时间（最大） 102.93s 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
#49#49	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 71.2% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#91#91	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
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 65.2% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.0 综合 : 3.4 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 : 7.7 工具调用 : 7.0 常识问答 : 3.0
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 4 输入令牌 81,127 输出令牌 6,155 推理令牌 82,515 响应时间（平均） 23.10s 响应时间（总计） 508.26s 响应时间（最大） 100.41s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 8.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#38#38	GLM 5.2medium	7.8	Z.ai	$0.068 ↓	23.28s
查看模型卡片总测试数 21 错误测试数 6 可靠性 9.5 尝试通过率 80.3% 不稳定测试 4 输入令牌 37,199 输出令牌 12,261 推理令牌 49,500 响应时间（平均） 23.28s 响应时间（总计） 488.94s 响应时间（最大） 101.36s 答案错误: 3 无答案: 2 超时: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#181#181	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 53.0% 不稳定测试 6 输入令牌 42,845 输出令牌 2,006 推理令牌 96,334 响应时间（平均） 23.85s 响应时间（总计） 286.16s 响应时间（最大） 121.79s 未遵循指令: 4 答案错误: 4 无答案: 1 超时: 1 反AI技巧 : 8.7 编程 : 7.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#80#80	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.467	24.04s
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 63.6% 不稳定测试 7 输入令牌 87,907 输出令牌 7,213 推理令牌 128,251 响应时间（平均） 24.04s 响应时间（总计） 528.92s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 1 未遵循指令: 1 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#149#149	Hy3 previewlow	5.5	Tencent	$0.015 ↕	24.56s
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 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 7 答案错误: 4 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 72.7% 不稳定测试 2 输入令牌 142,567 输出令牌 7,905 推理令牌 269,225 响应时间（平均） 24.97s 响应时间（总计） 549.31s 响应时间（最大） 165.38s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.9 工具调用 : 9.8 常识问答 : 3.0
#121#121	Qwen3.5-Flashnone	6.1	Qwen	$0.073 ↓	25.28s
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 2 输入令牌 282,347 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） 556.24s 响应时间（最大） 480.96s 答案错误: 13 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 : 7.7 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
#90#90	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.476	25.56s
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 68.2% 不稳定测试 7 输入令牌 98,499 输出令牌 135,861 推理令牌 0 响应时间（平均） 25.56s 响应时间（总计） 562.43s 响应时间（最大） 335.41s 答案错误: 10 无效工具调用: 1 反AI技巧 : 8.7 编程 : 6.1 综合 : 4.1 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#40#40	Claude Sonnet 4.6medium	7.8	Anthropic	$2.057	25.91s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 2 输入令牌 106,292 输出令牌 80,748 推理令牌 35,117 响应时间（平均） 25.91s 响应时间（总计） 362.78s 响应时间（最大） 140.96s 答案错误: 4 额外格式: 3 超时: 1 反AI技巧 : 6.5 编程 : 5.7 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
#56#56	GPT-5.4 Minimedium	7.5	OpenAI	$0.756	25.94s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 71.2% 不稳定测试 6 输入令牌 97,155 输出令牌 6,211 推理令牌 145,544 响应时间（平均） 25.94s 响应时间（总计） 570.66s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.6 编程 : 8.4 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#29#29	Step 3.7 Flashmedium	8.0	Stepfun	$0.515	26.37s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.9 尝试通过率 72.7% 不稳定测试 3 输入令牌 114,062 输出令牌 427,572 推理令牌 0 响应时间（平均） 26.37s 响应时间（总计） 580.25s 响应时间（最大） 152.83s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 3.0
#26#26	GPT-5 Minimedium	8.1	OpenAI	$0.237	27.63s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 63.6% 不稳定测试 3 输入令牌 98,374 输出令牌 14,434 推理令牌 91,498 响应时间（平均） 27.63s 响应时间（总计） 607.92s 响应时间（最大） 111.48s 答案错误: 5 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 7.3 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
#198#198	Grok Build 0.1none	4.0	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 43.9% 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 : 3.3 综合 : 1.5 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
#74#74	Grok 4.20medium	7.1	X AI	$0.777 ↓	29.47s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 63.6% 不稳定测试 4 输入令牌 102,791 输出令牌 5,363 推理令牌 253,977 响应时间（平均） 29.47s 响应时间（总计） 648.35s 响应时间（最大） 199.66s 答案错误: 6 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 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
#167#167	North Mini Codenone	5.1	Cohere	$0.000	29.95s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.7 尝试通过率 18.2% 不稳定测试 0 输入令牌 130,492 输出令牌 26,786 推理令牌 0 响应时间（平均） 29.95s 响应时间（总计） 658.82s 响应时间（最大） 159.85s 答案错误: 12 额外格式: 2 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#27#27	Muse Spark 1.1high	8.1	Meta	$1.694	31.49s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 69.7% 不稳定测试 6 输入令牌 129,423 输出令牌 8,077 推理令牌 352,421 响应时间（平均） 31.49s 响应时间（总计） 661.28s 响应时间（最大） 196.03s 答案错误: 4 未遵循指令: 2 无效工具调用: 2 API 错误: 1 无答案: 1 反AI技巧 : 7.5 编程 : 10.0 综合 : 5.9 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 7.8 工具调用 : 9.6 常识问答 : 3.0
#98#98	MiMo-V2.5medium	6.5	Xiaomi	$0.082 ↓	32.20s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 69.7% 不稳定测试 6 输入令牌 105,447 输出令牌 7,120 推理令牌 230,682 响应时间（平均） 32.20s 响应时间（总计） 708.46s 响应时间（最大） 162.44s 答案错误: 5 额外格式: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 8.7 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

←

1 2 3 4 5 6 7

→

快速对比

AI Benchy 排行榜

筛选模型

快速对比