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）
#305#305	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.7 尝试通过率 43.5% 不稳定测试 4 输入令牌 251,253 输出令牌 3,892 推理令牌 0 响应时间（平均） 46.97s 响应时间（总计） 1080.29s 响应时间（最大） 872.07s 答案错误: 11 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 3.6 综合 : 3.0 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 : 10.0 谜题求解 : 4.6 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
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
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 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.00s 响应时间（总计） 138.04s 响应时间（最大） 118.00s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
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 42.0% 不稳定测试 4 输入令牌 166,347 输出令牌 423,884 推理令牌 1,394,387 响应时间（平均） 140.39s 响应时间（总计） 3229.07s 响应时间（最大） 786.72s 答案错误: 10 额外格式: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 3.9 反AI技巧 : 8.4 编程 : 4.5 综合 : 2.9 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 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#320#320	Ember-1none	5.4	Fireworks	$0.786	22.65s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.8 尝试通过率 43.5% 不稳定测试 4 输入令牌 202,617 输出令牌 11,832 推理令牌 0 响应时间（平均） 22.65s 响应时间（总计） 520.91s 响应时间（最大） 93.12s 答案错误: 10 API 错误: 5 智能体任务 : 6.1 反AI技巧 : 5.2 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.4 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#337#337	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.6 尝试通过率 43.5% 不稳定测试 3 输入令牌 51,369 输出令牌 8,008 推理令牌 58,568 响应时间（平均） 8.32s 响应时间（总计） 191.40s 响应时间（最大） 48.19s 答案错误: 10 API 错误: 2 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 3.6 综合 : 6.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 42.0% 不稳定测试 4 输入令牌 11,793 输出令牌 1,809 推理令牌 265,466 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 1.5 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#367#367	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 34.8% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 4.8 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 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#370#370	Owl Alphamedium	4.6	Openrouter	$0.000	11.95s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.2% 不稳定测试 1 输入令牌 43,478 输出令牌 2,974 推理令牌 0 响应时间（平均） 11.95s 响应时间（总计） 250.88s 响应时间（最大） 58.63s 答案错误: 10 未遵循指令: 2 API 错误: 1 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 5.4 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#376#376	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.2% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 3.6 编程 : 4.4 综合 : 1.5 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 : 6.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
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 40.6% 不稳定测试 1 输入令牌 361,183 输出令牌 26,609 推理令牌 11,139 响应时间（平均） 8.03s 响应时间（总计） 184.80s 响应时间（最大） 51.18s 额外格式: 8 未遵循指令: 3 无效工具调用: 1 无答案: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 3.4 综合 : 8.5 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#228#228	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
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 47.8% 不稳定测试 5 输入令牌 258,956 输出令牌 20,076 推理令牌 0 响应时间（平均） 11.10s 响应时间（总计） 255.39s 响应时间（最大） 107.19s 答案错误: 12 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 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 : 9.8 谜题求解 : 7.7 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
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
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 55.1% 不稳定测试 8 输入令牌 363,310 输出令牌 381,919 推理令牌 0 响应时间（平均） 60.03s 响应时间（总计） 1380.67s 响应时间（最大） 459.99s 答案错误: 9 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 6.4 编程 : 6.6 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.0 指令遵循 : 5.6 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#277#277	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
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 43.5% 不稳定测试 2 输入令牌 278,866 输出令牌 82,069 推理令牌 0 响应时间（平均） 9.66s 响应时间（总计） 222.07s 响应时间（最大） 106.86s 答案错误: 10 额外格式: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 5.6 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
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 47.8% 不稳定测试 5 输入令牌 285,293 输出令牌 29,565 推理令牌 89,266 响应时间（平均） 31.58s 响应时间（总计） 536.78s 响应时间（最大） 203.90s 答案错误: 10 未遵循指令: 3 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 6.7 编程 : 5.9 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 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
#298#298	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
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 42.0% 不稳定测试 1 输入令牌 270,970 输出令牌 15,499 推理令牌 0 响应时间（平均） 7.28s 响应时间（总计） 152.84s 响应时间（最大） 44.73s 答案错误: 11 API 错误: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 6.5 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 : 10.0 指令遵循 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 3.0
#311#311	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
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 42.0% 不稳定测试 1 输入令牌 280,126 输出令牌 17,306 推理令牌 0 响应时间（平均） 10.55s 响应时间（总计） 242.57s 响应时间（最大） 75.76s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 3.7 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
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 39.1% 不稳定测试 0 输入令牌 281,460 输出令牌 13,791 推理令牌 0 响应时间（平均） 5.05s 响应时间（总计） 116.11s 响应时间（最大） 47.42s 答案错误: 12 未遵循指令: 1 无效工具调用: 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 : 6.5 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.3 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#328#328	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
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 47.8% 不稳定测试 4 输入令牌 81,447 输出令牌 2,715 推理令牌 11,971 响应时间（平均） 1.99s 响应时间（总计） 45.67s 响应时间（最大） 5.82s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 4.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
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 43.5% 不稳定测试 2 输入令牌 7,608 输出令牌 17,529 推理令牌 34,499 响应时间（平均） 48.94s 响应时间（总计） 831.92s 响应时间（最大） 143.82s API 错误: 7 答案错误: 5 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 40.6% 不稳定测试 1 输入令牌 190,675 输出令牌 5,577 推理令牌 0 响应时间（平均） 8.74s 响应时间（总计） 131.17s 响应时间（最大） 74.80s 答案错误: 13 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 4.0 综合 : 1.5 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#424#424	Decider V1.2default	2.6	Perplexity	$0.001	517ms
查看模型卡片总测试数 12 错误测试数 7 可靠性 9.4 尝试通过率 24.6% 不稳定测试 1 输入令牌 48,363 输出令牌 67 推理令牌 0 响应时间（平均） 517ms 响应时间（总计） 6.20s 响应时间（最大） 776ms 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 5.8 编程 : 4.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.9 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
#437#437	Solar Decide Flashdefault	1.7	Upstage	$0.003	1.33s
查看模型卡片总测试数 7 错误测试数 4 可靠性 10.0 尝试通过率 13.0% 不稳定测试 0 输入令牌 47,586 输出令牌 51 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 9.32s 响应时间（最大） 1.66s 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 0.8 编程 : 0.0 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 4.4 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

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