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）
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
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 78.3% 不稳定测试 6 输入令牌 157,142 输出令牌 8,149 推理令牌 24,357 响应时间（平均） 11.87s 响应时间（总计） 272.91s 响应时间（最大） 36.59s 答案错误: 3 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.0 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 : 7.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 2.8
#23#23	GPT-5.5low	9.5	OpenAI	$1.822	11.91s
查看模型卡片总测试数 23 错误测试数 3 可靠性 10.0 尝试通过率 87.0% 不稳定测试 0 输入令牌 177,939 输出令牌 6,283 推理令牌 24,782 响应时间（平均） 11.91s 响应时间（总计） 273.82s 响应时间（最大） 56.19s 答案错误: 3 智能体任务 : 10.0 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 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#48#48	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 84.1% 不稳定测试 2 输入令牌 244,529 输出令牌 6,784 推理令牌 213,142 响应时间（平均） 11.92s 响应时间（总计） 274.14s 响应时间（最大） 53.09s 答案错误: 5 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 9.9 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 : 9.8 谜题求解 : 10.0 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
#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
#19#19	GPT-6 Solmedium	9.5	OpenAI	$0.703	12.12s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 194,520 输出令牌 5,396 推理令牌 25,991 响应时间（平均） 12.12s 响应时间（总计） 278.70s 响应时间（最大） 82.74s 答案错误: 2 智能体任务 : 10.0 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 : 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
#334#334	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.7 尝试通过率 42.0% 不稳定测试 8 输入令牌 321,955 输出令牌 41,555 推理令牌 94,946 响应时间（平均） 12.68s 响应时间（总计） 291.66s 响应时间（最大） 59.15s 答案错误: 14 未遵循指令: 2 API 错误: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 5.6 编程 : 4.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 7.3 谜题求解 : 3.4 工具调用 : 10.0 常识问答 : 3.0
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
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 47.8% 不稳定测试 6 输入令牌 250,919 输出令牌 20,816 推理令牌 0 响应时间（平均） 12.71s 响应时间（总计） 292.29s 响应时间（最大） 156.31s 答案错误: 11 未遵循指令: 2 无效工具调用: 2 智能体任务 : 10.0 反AI技巧 : 3.8 编程 : 5.5 综合 : 3.2 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 5.2 指令遵循 : 6.2 谜题求解 : 5.3 工具调用 : 9.5 常识问答 : 3.0
#410#410	Hy3 previewnone	3.3	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 21.7% 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 智能体任务 : 0.0 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
#357#357	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
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 29.0% 不稳定测试 3 输入令牌 255,363 输出令牌 27,395 推理令牌 0 响应时间（平均） 13.04s 响应时间（总计） 221.61s 响应时间（最大） 97.15s 答案错误: 15 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 5.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.8 尝试通过率 60.9% 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） 13.08s 响应时间（总计） 287.79s 响应时间（最大） 75.27s 答案错误: 7 API 错误: 2 无效工具调用: 2 智能体任务 : 3.0 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
#71#71	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 72.5% 不稳定测试 4 输入令牌 291,368 输出令牌 13,469 推理令牌 108,952 响应时间（平均） 13.21s 响应时间（总计） 303.92s 响应时间（最大） 54.15s 答案错误: 5 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.9 编程 : 10.0 综合 : 6.6 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 : 7.3 谜题求解 : 8.3 工具调用 : 9.8 常识问答 : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
查看模型卡片总测试数 23 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 356,605 输出令牌 26,715 推理令牌 17,041 响应时间（平均） 13.24s 响应时间（总计） 304.46s 响应时间（最大） 78.80s 答案错误: 3 无答案: 1 智能体任务 : 10.0 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 : 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
#116#116	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 1 输入令牌 144,676 输出令牌 8,184 推理令牌 32,282 响应时间（平均） 13.30s 响应时间（总计） 305.83s 响应时间（最大） 40.17s 答案错误: 3 API 错误: 1 智能体任务 : 3.0 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
#395#395	Ling 3.0 Tinydefault	3.8	Inclusionai	$0.000	13.39s
查看模型卡片总测试数 23 错误测试数 21 可靠性 9.8 尝试通过率 8.7% 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） 13.39s 响应时间（总计） 294.48s 响应时间（最大） 240.61s 答案错误: 13 未遵循指令: 4 API 错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 3.0 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
#442#442	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
查看模型卡片总测试数 1 错误测试数 0 可靠性 10.0 尝试通过率 4.4% 不稳定测试 0 输入令牌 73 输出令牌 6 推理令牌 729 响应时间（平均） 13.58s 响应时间（总计） 13.58s 响应时间（最大） 13.58s 智能体任务 : 0.0 反AI技巧 : 0.0 编程 : 0.0 综合 : 0.0 数据解析与提取 : 0.0 领域专项 : 3.3 通用智能 : 0.0 指令遵循 : 0.0 谜题求解 : 0.0 工具调用 : 0.0 常识问答 : 0.0
#22#22	GPT-5.6 Solhigh	9.5	OpenAI	$1.595 ↑	13.59s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 89.9% 不稳定测试 3 输入令牌 195,567 输出令牌 5,841 推理令牌 26,230 响应时间（平均） 13.59s 响应时间（总计） 312.61s 响应时间（最大） 59.99s 答案错误: 4 智能体任务 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 4.7
#90#90	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
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 69.6% 不稳定测试 2 输入令牌 197,239 输出令牌 6,083 推理令牌 53,982 响应时间（平均） 13.62s 响应时间（总计） 313.21s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.6 综合 : 8.7 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 95.7% 不稳定测试 2 输入令牌 188,003 输出令牌 2,914 推理令牌 113,210 响应时间（平均） 14.03s 响应时间（总计） 322.73s 响应时间（最大） 77.15s 答案错误: 2 智能体任务 : 10.0 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 : 5.8 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
#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
#105#105	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 2 输入令牌 437,293 输出令牌 29,102 推理令牌 28,876 响应时间（平均） 14.12s 响应时间（总计） 310.55s 响应时间（最大） 150.60s 答案错误: 3 无效工具调用: 1 超时: 1 智能体任务 : 5.2 反AI技巧 : 8.3 编程 : 7.6 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
#265#265	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 68.1% 不稳定测试 4 输入令牌 246,061 输出令牌 3,828 推理令牌 149,767 响应时间（平均） 14.13s 响应时间（总计） 268.55s 响应时间（最大） 85.26s API 错误: 4 答案错误: 4 无效工具调用: 1 智能体任务 : 2.8 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 : 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
#20#20	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 91.3% 不稳定测试 3 输入令牌 191,341 输出令牌 5,665 推理令牌 32,340 响应时间（平均） 14.57s 响应时间（总计） 335.16s 响应时间（最大） 79.40s 答案错误: 4 智能体任务 : 10.0 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
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 36.2% 不稳定测试 3 输入令牌 410,787 输出令牌 117,742 推理令牌 0 响应时间（平均） 14.70s 响应时间（总计） 338.13s 响应时间（最大） 186.24s 答案错误: 14 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 3.0 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 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#394#394	Laguna M.1medium	3.9	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 43.5% 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 智能体任务 : 0.0 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

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