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）
#409#409	Laguna Xs.2medium	3.3	Poolside	$0.015 ↕	6.73s
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 42.0% 不稳定测试 6 输入令牌 39,481 输出令牌 54,218 推理令牌 0 响应时间（平均） 6.73s 响应时间（总计） 100.98s 响应时间（最大） 29.11s 答案错误: 6 API 错误: 4 无答案: 2 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 6.9 编程 : 2.1 综合 : 1.5 数据解析与提取 : 7.1 领域专项 : 4.1 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 4.7 常识问答 : 3.0
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
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 43.5% 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） 38.01s 响应时间（总计） 798.15s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 3.7 综合 : 1.5 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
#371#371	Mimo V2 PROdefault	4.6	Xiaomi	$0.045 ↓	2.27s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 37.7% 不稳定测试 3 输入令牌 39,344 输出令牌 2,352 推理令牌 0 响应时间（平均） 2.27s 响应时间（总计） 45.50s 响应时间（最大） 6.58s 答案错误: 11 未遵循指令: 2 API 错误: 1 智能体任务 : 0.0 反AI技巧 : 3.5 编程 : 5.5 综合 : 1.5 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 : 6.5 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#372#372	Owl Alphadefault	4.6	Openrouter	$0.000	9.88s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 33.3% 不稳定测试 1 输入令牌 42,283 输出令牌 5,913 推理令牌 0 响应时间（平均） 9.88s 响应时间（总计） 207.38s 响应时间（最大） 47.10s 答案错误: 10 未遵循指令: 3 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 3.4 编程 : 5.6 综合 : 1.5 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 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#402#402	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 29.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 1.8 综合 : 1.5 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#406#406	Hunter Alphadefault	3.5	OpenRouter	$0.000	4.70s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 36.2% 不稳定测试 4 输入令牌 34,329 输出令牌 2,264 推理令牌 0 响应时间（平均） 4.70s 响应时间（总计） 79.86s 响应时间（最大） 15.17s 答案错误: 9 未遵循指令: 2 API 错误: 1 智能体任务 : 0.0 反AI技巧 : 3.5 编程 : 1.0 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 6.4 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 0.0
#407#407	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 26.1% 不稳定测试 0 输入令牌 41,313 输出令牌 1,923 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 19.96s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 1.1 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 0.0
#421#421	d1-ultradefault	2.7	Liquid	$0.003	531ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 20.3% 不稳定测试 1 输入令牌 55,956 输出令牌 0 推理令牌 0 响应时间（平均） 531ms 响应时间（总计） 6.38s 响应时间（最大） 697ms 答案错误: 7 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 5.3 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#425#425	Decider V1.1 27Bdefault	2.6	Perplexity	$0.002	320ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 17.4% 不稳定测试 0 输入令牌 73,557 输出令牌 69 推理令牌 0 响应时间（平均） 320ms 响应时间（总计） 3.84s 响应时间（最大） 491ms 答案错误: 8 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 4.9 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#426#426	Drex v1.5default	2.4	Nace AI	$0.002	986ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 17.4% 不稳定测试 0 输入令牌 42,804 输出令牌 27,468 推理令牌 0 响应时间（平均） 986ms 响应时间（总计） 11.84s 响应时间（最大） 1.38s 答案错误: 8 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 4.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#429#429	Jev 1.14default	2.3	Typesafe	$0.003	377ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 23.2% 不稳定测试 2 输入令牌 67,092 输出令牌 18,927 推理令牌 0 响应时间（平均） 377ms 响应时间（总计） 4.52s 响应时间（最大） 546ms 答案错误: 7 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.7 综合 : 0.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
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 37.7% 不稳定测试 2 输入令牌 463,872 输出令牌 219,122 推理令牌 0 响应时间（平均） 26.52s 响应时间（总计） 609.94s 响应时间（最大） 480.96s 答案错误: 14 无效工具调用: 1 智能体任务 : 10.0 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 : 5.3 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
#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
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
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 47.8% 不稳定测试 6 输入令牌 250,919 输出令牌 20,816 推理令牌 0 响应时间（平均） 12.71s 响应时间（总计） 292.29s 响应时间（最大） 156.31s 答案错误: 11 未遵循指令: 2 无效工具调用: 2 智能体任务 : 10.0 反AI技巧 : 3.8 编程 : 5.5 综合 : 3.2 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 5.2 指令遵循 : 6.2 谜题求解 : 5.3 工具调用 : 9.5 常识问答 : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
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 47.8% 不稳定测试 6 输入令牌 347,980 输出令牌 121,898 推理令牌 720,302 响应时间（平均） 95.16s 响应时间（总计） 2188.74s 响应时间（最大） 540.96s 答案错误: 7 未遵循指令: 3 API 错误: 2 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
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 49.3% 不稳定测试 7 输入令牌 319,352 输出令牌 158,447 推理令牌 875,524 响应时间（平均） 84.01s 响应时间（总计） 1932.24s 响应时间（最大） 525.14s 答案错误: 9 未遵循指令: 4 无效工具调用: 2 智能体任务 : 6.1 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#270#270	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.8 尝试通过率 44.9% 不稳定测试 5 输入令牌 299,984 输出令牌 69,664 推理令牌 0 响应时间（平均） 18.49s 响应时间（总计） 425.33s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 3.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#272#272	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.9 尝试通过率 37.7% 不稳定测试 1 输入令牌 259,708 输出令牌 16,567 推理令牌 33,580 响应时间（平均） 50.47s 响应时间（总计） 1160.91s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.4 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 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#279#279	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
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 39.1% 不稳定测试 3 输入令牌 314,113 输出令牌 17,558 推理令牌 0 响应时间（平均） 7.49s 响应时间（总计） 172.19s 响应时间（最大） 75.99s 答案错误: 14 无答案: 1 智能体任务 : 5.0 反AI技巧 : 3.0 编程 : 5.6 综合 : 3.0 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#285#285	Nemotron 3 Ultranone	5.9	NVIDIA	$0.164 ↕	6.76s
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 40.6% 不稳定测试 2 输入令牌 275,381 输出令牌 11,544 推理令牌 0 响应时间（平均） 6.76s 响应时间（总计） 155.50s 响应时间（最大） 70.17s 答案错误: 12 API 错误: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 3.5 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 : 5.0 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#287#287	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
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 43.5% 不稳定测试 3 输入令牌 266,004 输出令牌 9,077 推理令牌 0 响应时间（平均） 5.71s 响应时间（总计） 131.36s 响应时间（最大） 65.25s 答案错误: 14 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.5 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 : 6.1 指令遵循 : 7.1 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#288#288	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
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 40.6% 不稳定测试 3 输入令牌 213,564 输出令牌 7,381 推理令牌 0 响应时间（平均） 4.11s 响应时间（总计） 94.52s 响应时间（最大） 57.98s 答案错误: 12 未遵循指令: 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 : 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 : 8.5 谜题求解 : 5.3 工具调用 : 9.6 常识问答 : 3.0
#293#293	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
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 53.6% 不稳定测试 10 输入令牌 314,436 输出令牌 13,578 推理令牌 294,343 响应时间（平均） 56.55s 响应时间（总计） 961.32s 响应时间（最大） 227.89s 答案错误: 11 未遵循指令: 2 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 6.5 编程 : 7.0 综合 : 6.4 数据解析与提取 : 3.7 领域专项 : 3.4 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
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
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 58.0% 不稳定测试 9 输入令牌 208,598 输出令牌 120,583 推理令牌 590,044 响应时间（平均） 70.32s 响应时间（总计） 1617.43s 响应时间（最大） 459.19s 答案错误: 10 未遵循指令: 2 无答案: 2 额外格式: 1 智能体任务 : 4.7 反AI技巧 : 8.7 编程 : 4.2 综合 : 9.9 数据解析与提取 : 4.5 领域专项 : 3.6 通用智能 : 3.8 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#299#299	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
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 53.6% 不稳定测试 10 输入令牌 289,086 输出令牌 194,450 推理令牌 0 响应时间（平均） 30.63s 响应时间（总计） 704.47s 响应时间（最大） 340.88s 答案错误: 13 未遵循指令: 2 智能体任务 : 4.7 反AI技巧 : 6.9 编程 : 5.6 综合 : 3.8 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 : 4.4 谜题求解 : 7.9 工具调用 : 4.7 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