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）
#24#24	Qwen3.5-27Bmedium	7.9	Qwen	$0.488 ↓	60.09s
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 73.3% 不稳定测试 3 输入令牌 39,329 输出令牌 2,569 推理令牌 304,894 响应时间（平均） 60.09s 响应时间（总计） 1201.89s 响应时间（最大） 177.36s 答案错误: 3 未遵循指令: 2 额外格式: 1 超时: 1 反AI技巧 : 8.7 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 : 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
#27#27	GPT-5.4medium	7.9	OpenAI	$1.140	22.31s
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 31,489 输出令牌 2,221 推理令牌 68,486 响应时间（平均） 22.31s 响应时间（总计） 446.17s 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 : 8.2 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
#28#28	Step 3.7 Flashmedium	7.9	Stepfun	$0.347	18.32s
查看模型卡片总测试数 20 错误测试数 7 可靠性 9.9 尝试通过率 71.7% 不稳定测试 2 输入令牌 37,338 输出令牌 294,481 推理令牌 0 响应时间（平均） 18.32s 响应时间（总计） 366.45s 响应时间（最大） 113.98s 答案错误: 5 未遵循指令: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 10.0 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
#29#29	GLM 5 Turbomedium	7.9	Z.ai	$0.285 ↑	22.65s
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 73.3% 不稳定测试 4 输入令牌 32,995 输出令牌 12,228 推理令牌 53,503 响应时间（平均） 22.65s 响应时间（总计） 453.09s 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 : 7.3 综合 : 10.0 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
#30#30	GPT-5.2 Chatnone	7.9	OpenAI	$0.352	6.82s
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 73.3% 不稳定测试 3 输入令牌 31,593 输出令牌 21,144 推理令牌 0 响应时间（平均） 6.82s 响应时间（总计） 136.34s 响应时间（最大） 38.52s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.7 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 : 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
#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
#34#34	Qwen3.6 Plusmedium	7.8	Qwen	$0.260 ↑	26.81s
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 68.3% 不稳定测试 2 输入令牌 38,730 输出令牌 1,833 推理令牌 124,782 响应时间（平均） 26.81s 响应时间（总计） 509.43s 响应时间（最大） 201.68s 答案错误: 5 API 错误: 1 未遵循指令: 1 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 : 5.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#35#35	Gemini 3.1 Flash Lite Previewmedium	7.7	Google	$0.063	3.94s
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 34,781 输出令牌 2,204 推理令牌 33,657 响应时间（平均） 3.94s 响应时间（总计） 78.74s 响应时间（最大） 14.93s 答案错误: 6 未遵循指令: 1 反AI技巧 : 9.1 编程 : 6.8 综合 : 10.0 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#36#36	Gemini 3.1 Flash Litemedium	7.7	Google	$0.065	3.18s
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 68.3% 不稳定测试 2 输入令牌 33,803 输出令牌 2,248 推理令牌 35,390 响应时间（平均） 3.18s 响应时间（总计） 63.55s 响应时间（最大） 10.87s 答案错误: 6 未遵循指令: 1 反AI技巧 : 9.1 编程 : 6.8 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#37#37	Gemini 2.5 Flashmedium	7.7	Google	$0.358	15.57s
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 68.3% 不稳定测试 1 输入令牌 31,473 输出令牌 1,924 推理令牌 137,255 响应时间（平均） 15.57s 响应时间（总计） 311.47s 响应时间（最大） 95.48s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.4 编程 : 6.6 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
#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
#39#39	Gemini 3 Flash Previewnone	7.7	Google	$0.023	1.70s
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 70.0% 不稳定测试 2 输入令牌 34,008 输出令牌 1,879 推理令牌 0 响应时间（平均） 1.70s 响应时间（总计） 22.05s 响应时间（最大） 3.56s 答案错误: 7 反AI技巧 : 8.3 编程 : 6.8 综合 : 4.7 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 : 6.4 谜题求解 : 7.7 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
#44#44	Gemini 3.1 Flash Lite Previewlow	7.6	Google	$0.025	2.85s
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 29,708 输出令牌 2,280 推理令牌 8,829 响应时间（平均） 2.85s 响应时间（总计） 57.08s 响应时间（最大） 11.91s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.3 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#47#47	Claude Sonnet 4.6medium	7.6	Anthropic	$1.330	15.81s
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 66.7% 不稳定测试 1 输入令牌 45,947 输出令牌 49,891 推理令牌 29,565 响应时间（平均） 15.81s 响应时间（总计） 189.71s 响应时间（最大） 46.35s 额外格式: 3 答案错误: 3 超时: 1 反AI技巧 : 6.5 编程 : 7.2 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
#17#17	GPT-5.3-Codexmedium	8.3	OpenAI	$0.685	15.95s
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 31,680 输出令牌 2,336 推理令牌 42,565 响应时间（平均） 15.95s 响应时间（总计） 319.08s 响应时间（最大） 100.93s 答案错误: 4 未遵循指令: 2 反AI技巧 : 8.7 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 : 4.6 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 2.8
#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
#19#19	Qwen3.5 Plus 2026-02-15medium	8.1	Qwen	$0.283 ↓	67.58s
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 76.7% 不稳定测试 3 输入令牌 39,028 输出令牌 2,145 推理令牌 172,563 响应时间（平均） 67.58s 响应时间（总计） 878.57s 响应时间（最大） 266.69s 答案错误: 4 超时: 2 反AI技巧 : 8.2 编程 : 7.6 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#21#21	Gemini 3.5 Flashnone	8.0	Google	$0.924	9.05s
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 76.7% 不稳定测试 3 输入令牌 10,840 输出令牌 100,760 推理令牌 0 响应时间（平均） 9.05s 响应时间（总计） 153.86s 响应时间（最大） 64.36s API 错误: 3 答案错误: 3 反AI技巧 : 10.0 编程 : 8.2 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#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
#23#23	Gemini 3.5 Flashminimal	7.9	Google	$0.103	1.58s
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 71.7% 不稳定测试 1 输入令牌 36,844 输出令牌 5,271 推理令牌 0 响应时间（平均） 1.58s 响应时间（总计） 31.55s 响应时间（最大） 5.51s 答案错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 10.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#25#25	Hy3 previewmedium	7.9	Tencent	$0.018	16.28s
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 70.0% 不稳定测试 0 输入令牌 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s 答案错误: 3 API 错误: 2 未遵循指令: 1 反AI技巧 : 10.0 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 : 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
#26#26	Qwen3.7 Maxnone	7.9	Qwen	$0.051 ↓	1.30s
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 70.0% 不稳定测试 0 输入令牌 34,266 输出令牌 1,988 推理令牌 0 响应时间（平均） 1.30s 响应时间（总计） 25.95s 响应时间（最大） 3.92s 答案错误: 6 反AI技巧 : 6.5 编程 : 6.8 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#31#31	Gemini 3 PRO Previewmedium	7.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 20 错误测试数 6 可靠性不适用尝试通过率 70.0% 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: 3 答案错误: 3 反AI技巧 : 10.0 编程 : 3.0 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 : 9.8 谜题求解 : 10.0 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
#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
#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
#14#14	Grok 4.20 Betamedium	8.5	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 81.5% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 反AI技巧 : 8.7 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 : 9.8 谜题求解 : 10.0 工具调用 : 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
#11#11	Claude Opus 4.8medium	8.7	Anthropic	$1.006	9.34s
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 83.3% 不稳定测试 1 输入令牌 57,185 输出令牌 23,201 推理令牌 5,901 响应时间（平均） 9.34s 响应时间（总计） 186.84s 响应时间（最大） 38.03s 答案错误: 3 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.8 数据解析与提取 : 7.1 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 : 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