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：: 2026-09-02 已评估模型: 311

311/311

排名	模型	分数	公司	总成本	响应时间（平均）
#274#274	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
查看模型卡片总测试数 22 错误测试数 17 可靠性 10.0 尝试通过率 36.4% 不稳定测试 7 输入令牌 69,376 输出令牌 97,752 推理令牌 0 响应时间（平均） 12.46s 响应时间（总计） 274.11s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 1 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
#55#55	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
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 75.8% 不稳定测试 3 输入令牌 145,953 输出令牌 52,330 推理令牌 10,874 响应时间（平均） 12.54s 响应时间（总计） 275.90s 响应时间（最大） 66.71s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 9.0 综合 : 7.3 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#9#9	GPT-5.6 Solmedium	9.4	OpenAI	$0.508 ↓	12.63s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 90.9% 不稳定测试 3 输入令牌 79,006 输出令牌 4,696 推理令牌 30,281 响应时间（平均） 12.63s 响应时间（总计） 277.88s 响应时间（最大） 79.40s 答案错误: 4 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 : 5.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 4.7
#201#201	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.142 ↑	12.73s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 39.4% 不稳定测试 4 输入令牌 134,530 输出令牌 86,616 推理令牌 0 响应时间（平均） 12.73s 响应时间（总计） 279.97s 响应时间（最大） 209.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.4 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#78#78	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 80.3% 不稳定测试 3 输入令牌 156,522 输出令牌 43,056 推理令牌 9,181 响应时间（平均） 12.88s 响应时间（总计） 283.32s 响应时间（最大） 127.97s 答案错误: 4 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.6 综合 : 9.9 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#295#295	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 22.7% 不稳定测试 2 输入令牌 27,172 输出令牌 2,661 推理令牌 0 响应时间（平均） 12.92s 响应时间（总计） 232.64s 响应时间（最大） 35.84s 答案错误: 8 API 错误: 4 未遵循指令: 4 额外格式: 1 反AI技巧 : 4.8 编程 : 2.7 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#218#218	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.283 ↑	12.93s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 33.3% 不稳定测试 2 输入令牌 241,575 输出令牌 88,459 推理令牌 0 响应时间（平均） 12.93s 响应时间（总计） 284.39s 响应时间（最大） 212.63s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.7 综合 : 5.2 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 : 6.3 谜题求解 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#32#32	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 2 输入令牌 138,448 输出令牌 40,765 推理令牌 11,162 响应时间（平均） 12.97s 响应时间（总计） 285.29s 响应时间（最大） 70.54s 答案错误: 4 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 7.1 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
#192#192	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
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 43.9% 不稳定测试 4 输入令牌 94,477 输出令牌 51,487 推理令牌 0 响应时间（平均） 13.10s 响应时间（总计） 288.23s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 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
#90#90	GPT-5.4 Nanomedium	7.5	OpenAI	$0.142	13.32s
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 65.2% 不稳定测试 4 输入令牌 82,828 输出令牌 7,100 推理令牌 92,781 响应时间（平均） 13.32s 响应时间（总计） 292.97s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 工具调用 : 10.0 常识问答 : 3.0
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
查看模型卡片总测试数 22 错误测试数 3 可靠性 10.0 尝试通过率 89.4% 不稳定测试 1 输入令牌 135,958 输出令牌 7,930 推理令牌 32,141 响应时间（平均） 13.59s 响应时间（总计） 298.90s 响应时间（最大） 40.17s 答案错误: 3 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 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
#146#146	GLM 5.3low	6.8	Z.ai	$0.257	13.65s
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 65.2% 不稳定测试 4 输入令牌 104,989 输出令牌 8,532 推理令牌 16,276 响应时间（平均） 13.65s 响应时间（总计） 300.22s 响应时间（最大） 83.60s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.9 编程 : 6.2 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#174#174	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.8 尝试通过率 63.6% 不稳定测试 4 输入令牌 132,044 输出令牌 92,135 推理令牌 207,321 响应时间（平均） 13.70s 响应时间（总计） 287.75s 响应时间（最大） 75.27s 答案错误: 7 无效工具调用: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 2.9 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#297#297	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
查看模型卡片总测试数 22 错误测试数 20 可靠性 9.8 尝试通过率 9.1% 不稳定测试 0 输入令牌 184,579 输出令牌 110,071 推理令牌 0 响应时间（平均） 14.02s 响应时间（总计） 294.46s 响应时间（最大） 240.61s 答案错误: 13 未遵循指令: 4 API 错误: 1 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 4.2 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 3.1 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#17#17	Gemini 3.8 Flashmedium	9.1	Google	$0.653	14.50s
查看模型卡片总测试数 22 错误测试数 3 可靠性 10.0 尝试通过率 92.4% 不稳定测试 2 输入令牌 95,793 输出令牌 7,066 推理令牌 147,842 响应时间（平均） 14.50s 响应时间（总计） 318.92s 响应时间（最大） 108.60s 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 8.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 8.2 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
#106#106	Grok 4.6low	7.4	X AI	$0.449	14.55s
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 69.7% 不稳定测试 1 输入令牌 109,960 输出令牌 5,124 推理令牌 32,924 响应时间（平均） 14.55s 响应时间（总计） 320.17s 响应时间（最大） 26.46s 答案错误: 7 反AI技巧 : 10.0 编程 : 5.5 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#243#243	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
查看模型卡片总测试数 22 错误测试数 16 可靠性 8.6 尝试通过率 36.4% 不稳定测试 5 输入令牌 159,749 输出令牌 23,433 推理令牌 0 响应时间（平均） 14.67s 响应时间（总计） 322.71s 响应时间（最大） 132.84s 答案错误: 11 额外格式: 2 未遵循指令: 2 无答案: 1 反AI技巧 : 3.0 编程 : 3.6 综合 : 3.0 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#279#279	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
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 45.5% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#40#40	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 78.8% 不稳定测试 1 输入令牌 89,640 输出令牌 33,092 推理令牌 9,054 响应时间（平均） 15.01s 响应时间（总计） 330.15s 响应时间（最大） 80.80s 无答案: 3 无效工具调用: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#264#264	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
查看模型卡片总测试数 19 错误测试数 10 可靠性不适用尝试通过率 40.9% 不稳定测试 0 输入令牌 32,639 输出令牌 1,153 推理令牌 62,197 响应时间（平均） 15.25s 响应时间（总计） 182.96s 响应时间（最大） 43.55s API 错误: 8 答案错误: 2 反AI技巧 : 8.3 编程 : 9.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
查看模型卡片总测试数 22 错误测试数 3 可靠性 10.0 尝试通过率 89.4% 不稳定测试 2 输入令牌 107,146 输出令牌 8,777 推理令牌 196,705 响应时间（平均） 15.46s 响应时间（总计） 340.20s 响应时间（最大） 145.92s 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 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 : 9.8 常识问答 : 10.0
#64#64	Inklingmedium	8.0	Thinkingmachines	$0.383	15.66s
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 75.8% 不稳定测试 4 输入令牌 124,062 输出令牌 12,190 推理令牌 51,652 响应时间（平均） 15.66s 响应时间（总计） 344.52s 响应时间（最大） 85.12s 答案错误: 4 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.4 综合 : 7.3 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 常识问答 : 2.8
#220#220	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.8 尝试通过率 42.4% 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） 15.87s 响应时间（总计） 349.16s 响应时间（最大） 118.35s 答案错误: 9 API 错误: 3 额外格式: 3 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
#47#47	Grok 4.5low	8.4	X AI	$0.945	16.17s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 125,605 输出令牌 7,505 推理令牌 107,984 响应时间（平均） 16.17s 响应时间（总计） 355.67s 响应时间（最大） 205.28s 答案错误: 6 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 63.6% 不稳定测试 2 输入令牌 94,233 输出令牌 7,759 推理令牌 390,132 响应时间（平均） 16.25s 响应时间（总计） 357.39s 响应时间（最大） 318.02s 答案错误: 8 无效工具调用: 1 反AI技巧 : 7.3 编程 : 5.5 综合 : 3.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium

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