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）
#74#74	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
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 76.8% 不稳定测试 3 输入令牌 296,301 输出令牌 10,672 推理令牌 50,978 响应时间（平均） 7.51s 响应时间（总计） 172.74s 响应时间（最大） 44.43s 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.9 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
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 71.0% 不稳定测试 7 输入令牌 293,775 输出令牌 13,527 推理令牌 396,291 响应时间（平均） 45.48s 响应时间（总计） 1045.97s 响应时间（最大） 431.47s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 8.2 综合 : 6.9 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 : 9.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
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 71.0% 不稳定测试 7 输入令牌 298,334 输出令牌 10,328 推理令牌 55,846 响应时间（平均） 7.71s 响应时间（总计） 177.29s 响应时间（最大） 47.70s 答案错误: 5 额外格式: 2 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.3 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 118,771 输出令牌 4,127 推理令牌 14,668 响应时间（平均） 91.72s 响应时间（总计） 2109.54s 响应时间（最大） 112.76s API 错误: 22 答案错误: 1 智能体任务 : 5.0 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 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
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 24.6% 不稳定测试 1 输入令牌 250,329 输出令牌 45,168 推理令牌 0 响应时间（平均） 19.73s 响应时间（总计） 355.09s 响应时间（最大） 208.38s 答案错误: 15 额外格式: 1 未遵循指令: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.6 编程 : 4.6 综合 : 3.0 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 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 58.0% 不稳定测试 2 输入令牌 150,033 输出令牌 22,347 推理令牌 402,143 响应时间（平均） 142.76s 响应时间（总计） 3283.43s 响应时间（最大） 491.42s 答案错误: 5 未遵循指令: 3 无答案: 2 额外格式: 1 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 5.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 8.9 工具调用 : 10.0 常识问答 : 3.0
#365#365	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
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 26.1% 不稳定测试 4 输入令牌 246,687 输出令牌 14,894 推理令牌 0 响应时间（平均） 4.42s 响应时间（总计） 101.75s 响应时间（最大） 45.38s 答案错误: 16 未遵循指令: 2 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.5 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#393#393	Grok 4.1 Fastmedium	3.9	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 50.7% 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 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 0.8 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
#282#282	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
查看模型卡片总测试数 23 错误测试数 14 可靠性 9.9 尝试通过率 47.8% 不稳定测试 4 输入令牌 202,069 输出令牌 11,961 推理令牌 0 响应时间（平均） 3.58s 响应时间（总计） 82.24s 响应时间（最大） 43.82s 答案错误: 12 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 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 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#378#378	KAT Coder AIR V2.5default	4.4	Kwaipilot	$0.070	11.96s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 34.8% 不稳定测试 7 输入令牌 69,376 输出令牌 7,792 推理令牌 89,960 响应时间（平均） 11.96s 响应时间（总计） 275.18s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 2 智能体任务 : 3.0 反AI技巧 : 5.3 编程 : 3.3 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.9 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#363#363	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
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 24.6% 不稳定测试 4 输入令牌 311,647 输出令牌 40,395 推理令牌 0 响应时间（平均） 16.97s 响应时间（总计） 305.55s 响应时间（最大） 151.35s 答案错误: 15 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 6.3 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不稳定测试 6 输入令牌 318,058 输出令牌 16,035 推理令牌 315,072 响应时间（平均） 41.03s 响应时间（总计） 943.75s 响应时间（最大） 394.54s 答案错误: 7 未遵循指令: 3 API 错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.7 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 8.5 谜题求解 : 7.3 工具调用 : 10.0 常识问答 : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 66.7% 不稳定测试 2 输入令牌 277,164 输出令牌 1,913 推理令牌 168,783 响应时间（平均） 40.09s 响应时间（总计） 881.89s 响应时间（最大） 214.63s 答案错误: 4 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 8.3 工具调用 : 3.0 常识问答 : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 1.5% 不稳定测试 1 输入令牌 114,874 输出令牌 1,992 推理令牌 23,529 响应时间（平均） 92.50s 响应时间（总计） 2127.40s 响应时间（最大） 128.54s API 错误: 22 答案错误: 1 智能体任务 : 2.8 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
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 73.9% 不稳定测试 4 输入令牌 229,986 输出令牌 6,037 推理令牌 95,550 响应时间（平均） 20.37s 响应时间（总计） 468.52s 响应时间（最大） 106.93s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 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 : 5.1 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#216#216	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 62.3% 不稳定测试 8 输入令牌 300,394 输出令牌 14,081 推理令牌 500,844 响应时间（平均） 51.80s 响应时间（总计） 1191.42s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 4 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#331#331	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.8 尝试通过率 40.6% 不稳定测试 5 输入令牌 50,423 输出令牌 4,144 推理令牌 110,510 响应时间（平均） 15.23s 响应时间（总计） 350.26s 响应时间（最大） 118.35s 答案错误: 9 API 错误: 4 额外格式: 3 智能体任务 : 3.0 反AI技巧 : 6.9 编程 : 4.3 综合 : 6.5 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 : 9.8 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#250#250	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
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 60.9% 不稳定测试 6 输入令牌 209,002 输出令牌 24,675 推理令牌 377,528 响应时间（平均） 128.91s 响应时间（总计） 2965.04s 响应时间（最大） 491.07s 答案错误: 6 未遵循指令: 3 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 2.8 反AI技巧 : 8.7 编程 : 5.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 7.9 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 117,966 输出令牌 5,149 推理令牌 23,514 响应时间（平均） 89.96s 响应时间（总计） 2069.01s 响应时间（最大） 156.00s API 错误: 22 答案错误: 1 智能体任务 : 3.9 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#280#280	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 49.3% 不稳定测试 3 输入令牌 238,785 输出令牌 12,875 推理令牌 0 响应时间（平均） 3.95s 响应时间（总计） 90.76s 响应时间（最大） 50.03s 答案错误: 9 未遵循指令: 3 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 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 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#306#306	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.5 尝试通过率 42.0% 不稳定测试 4 输入令牌 229,346 输出令牌 18,597 推理令牌 129,338 响应时间（平均） 56.40s 响应时间（总计） 1184.46s 响应时间（最大） 431.98s 答案错误: 6 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#155#155	DeepSeek V4 Pro 0423none	7.4	DeepSeek	$0.083 ↓	14.05s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 49.3% 不稳定测试 4 输入令牌 304,186 输出令牌 40,118 推理令牌 5,886 响应时间（平均） 14.05s 响应时间（总计） 323.17s 响应时间（最大） 119.44s 答案错误: 9 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 3.2 编程 : 5.6 综合 : 7.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
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 46.4% 不稳定测试 3 输入令牌 352,516 输出令牌 33,786 推理令牌 504,506 响应时间（平均） 48.97s 响应时间（总计） 1126.35s 响应时间（最大） 422.72s 答案错误: 10 无效工具调用: 2 无答案: 2 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 5.3 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

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