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：: 2026-06-04 已评估模型: 163

163/163

排名	模型	分数	公司	总成本	响应时间（平均）
#14#14	Qwen3.6 Max Previewmedium	8.5	Qwen	$0.960 ↓	59.63s
查看模型卡片总测试数 21 错误测试数 5 可靠性 10.0 尝试通过率 81.0% 不稳定测试 2 输入令牌 42,362 输出令牌 2,273 推理令牌 144,367 响应时间（平均） 59.63s 响应时间（总计） 1252.17s 响应时间（最大） 238.07s 答案错误: 5 反AI技巧 : 10.0 编程 : 8.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#4#4	Gemini 3.1 Pro Previewmedium	9.4	Google	$1.054	20.14s
查看模型卡片总测试数 21 错误测试数 2 可靠性 10.0 尝试通过率 90.5% 不稳定测试 0 输入令牌 41,617 输出令牌 1,977 推理令牌 78,896 响应时间（平均） 20.14s 响应时间（总计） 281.92s 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 : 9.5 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
#20#20	Gemini 3.5 Flashnone	8.1	Google	$1.079	9.93s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 77.8% 不稳定测试 3 输入令牌 13,843 输出令牌 117,518 推理令牌 0 响应时间（平均） 9.93s 响应时间（总计） 178.68s 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 : 8.8 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
#10#10	Claude Opus 4.8medium	8.7	Anthropic	$1.107	9.66s
查看模型卡片总测试数 21 错误测试数 4 可靠性 10.0 尝试通过率 84.1% 不稳定测试 1 输入令牌 61,007 输出令牌 26,495 推理令牌 5,901 响应时间（平均） 9.66s 响应时间（总计） 202.89s 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
#2🥈 #2	Gemini 3.5 Flashhigh	9.6	Google	$1.115	8.84s
查看模型卡片总测试数 21 错误测试数 1 可靠性 10.0 尝试通过率 96.8% 不稳定测试 1 输入令牌 37,594 输出令牌 1,975 推理令牌 115,638 响应时间（平均） 8.84s 响应时间（总计） 185.57s 响应时间（最大） 34.82s 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.6 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 9.8 常识问答 : 10.0
#71#71	Step 3.7 Flashhigh	7.0	Stepfun	$1.148	64.46s
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 63.5% 不稳定测试 4 输入令牌 38,391 输出令牌 991,355 推理令牌 0 响应时间（平均） 64.46s 响应时间（总计） 1353.57s 响应时间（最大） 364.99s 答案错误: 6 无答案: 4 反AI技巧 : 10.0 编程 : 4.0 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
#21#21	GPT-5.4medium	8.0	OpenAI	$1.210	22.35s
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 76.2% 不稳定测试 4 输入令牌 34,108 输出令牌 2,242 推理令牌 72,707 响应时间（平均） 22.35s 响应时间（总计） 469.29s 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
#52#52	Claude Sonnet 4.6medium	7.4	Anthropic	$1.418	17.06s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 49,112 输出令牌 54,703 推理令牌 29,970 响应时间（平均） 17.06s 响应时间（总计） 221.83s 响应时间（最大） 46.35s 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
#53#53	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
查看模型卡片总测试数 18 错误测试数 8 可靠性 10.0 尝试通过率 68.5% 不稳定测试 4 输入令牌 29,134 输出令牌 1,984 推理令牌 1,355,583 响应时间（平均） 61.96s 响应时间（总计） 1115.31s 响应时间（最大） 149.23s 答案错误: 4 未遵循指令: 3 无答案: 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 : 3.6 通用智能 : 5.0 指令遵循 : 7.3 谜题求解 : 5.7 工具调用 : 10.0
#69#69	Claude Opus 4.6medium	7.0	Anthropic	$2.053	25.89s
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 61.9% 不稳定测试 3 输入令牌 53,227 输出令牌 47,446 推理令牌 24,000 响应时间（平均） 25.89s 响应时间（总计） 362.49s 响应时间（最大） 83.40s 额外格式: 5 答案错误: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 5.7 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
#12#12	Gemini 3.1 Flash Lite Previewhigh	8.6	Google	$2.310	68.14s
查看模型卡片总测试数 16 错误测试数 3 可靠性不适用尝试通过率 81.3% 不稳定测试 0 输入令牌 28,980 输出令牌 1,283 推理令牌 1,533,310 响应时间（平均） 68.14s 响应时间（总计） 1090.28s 响应时间（最大） 280.52s 答案错误: 2 未遵循指令: 1 反AI技巧 : 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 : 7.7 工具调用 : 10.0
#9#9	GPT-5.5medium	8.8	OpenAI	$3.679	37.98s
查看模型卡片总测试数 21 错误测试数 4 可靠性 10.0 尝试通过率 87.3% 不稳定测试 3 输入令牌 34,212 输出令牌 1,985 推理令牌 114,925 响应时间（平均） 37.98s 响应时间（总计） 797.60s 响应时间（最大） 332.10s 答案错误: 4 反AI技巧 : 10.0 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 : 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
#84#84	Grok 4.20 Multi Agent Betamedium	6.6	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 59.3% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 反AI技巧 : 6.9 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 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 PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium免费可用 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比