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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#232#232	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
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 49.3% 不稳定测试 7 输入令牌 319,352 输出令牌 158,447 推理令牌 875,524 响应时间（平均） 84.01s 响应时间（总计） 1932.24s 响应时间（最大） 525.14s 答案错误: 9 未遵循指令: 4 无效工具调用: 2 智能体任务 : 6.1 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 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 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#231#231	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 153,595 推理令牌 0 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
#230#230	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
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 55.1% 不稳定测试 3 输入令牌 209,116 输出令牌 10,031 推理令牌 16,042 响应时间（平均） 11.40s 响应时间（总计） 262.14s 响应时间（最大） 34.77s 额外格式: 4 答案错误: 4 未遵循指令: 3 API 错误: 1 智能体任务 : 2.8 反AI技巧 : 6.5 编程 : 3.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#229#229	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 55.1% 不稳定测试 1 输入令牌 261,962 输出令牌 15,760 推理令牌 0 响应时间（平均） 3.60s 响应时间（总计） 82.91s 响应时间（最大） 48.59s 答案错误: 8 未遵循指令: 2 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 : 5.3 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
#228#228	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.055 ↑	27.42s
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 30.4% 不稳定测试 4 输入令牌 349,876 输出令牌 39,789 推理令牌 0 响应时间（平均） 27.42s 响应时间（总计） 630.70s 响应时间（最大） 387.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 2 额外格式: 1 智能体任务 : 10.0 反AI技巧 : 3.4 编程 : 4.3 综合 : 3.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 5.0 谜题求解 : 3.2 工具调用 : 9.5 常识问答 : 3.0
#227#227	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
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 68.1% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#226#226	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 62.3% 不稳定测试 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 23.94s 响应时间（总计） 550.52s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#225#225	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
#223#223	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.027 ↓	38.64s
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 30.4% 不稳定测试 4 输入令牌 403,455 输出令牌 115,591 推理令牌 0 响应时间（平均） 38.64s 响应时间（总计） 888.69s 响应时间（最大） 247.27s 答案错误: 13 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 3.0 编程 : 4.2 综合 : 4.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#224#224	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
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 58.0% 不稳定测试 5 输入令牌 392,127 输出令牌 7,754 推理令牌 294,333 响应时间（平均） 36.73s 响应时间（总计） 844.68s 响应时间（最大） 199.66s 答案错误: 7 额外格式: 2 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#222#222	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
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 347,980 输出令牌 121,898 推理令牌 720,302 响应时间（平均） 95.16s 响应时间（总计） 2188.74s 响应时间（最大） 540.96s 答案错误: 7 未遵循指令: 3 API 错误: 2 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#221#221	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
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 62.3% 不稳定测试 7 输入令牌 306,662 输出令牌 17,819 推理令牌 125,341 响应时间（平均） 70.08s 响应时间（总计） 1611.86s 响应时间（最大） 376.10s 答案错误: 6 API 错误: 2 超时: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 6.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#220#220	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
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 55.1% 不稳定测试 5 输入令牌 267,840 输出令牌 192,115 推理令牌 0 响应时间（平均） 32.88s 响应时间（总计） 756.28s 响应时间（最大） 197.32s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 5.2 编程 : 5.4 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#219#219	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
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 60.9% 不稳定测试 3 输入令牌 108,573 输出令牌 69,994 推理令牌 26,728 响应时间（平均） 32.23s 响应时间（总计） 515.65s 响应时间（最大） 151.51s 额外格式: 4 答案错误: 4 未遵循指令: 1 智能体任务 : 0.0 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
#218#218	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
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 52.2% 不稳定测试 3 输入令牌 346,064 输出令牌 53,060 推理令牌 0 响应时间（平均） 20.07s 响应时间（总计） 341.27s 响应时间（最大） 183.50s 答案错误: 11 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 4.8 编程 : 4.3 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#217#217	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
#216#216	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 60.9% 不稳定测试 2 输入令牌 312,368 输出令牌 9,429 推理令牌 416,147 响应时间（平均） 19.02s 响应时间（总计） 437.38s 响应时间（最大） 318.02s 答案错误: 9 无效工具调用: 1 智能体任务 : 5.0 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
#215#215	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
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 60.9% 不稳定测试 0 输入令牌 309,715 输出令牌 16,170 推理令牌 422,721 响应时间（平均） 19.04s 响应时间（总计） 437.98s 响应时间（最大） 309.35s 答案错误: 7 未遵循指令: 1 无效工具调用: 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 : 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
#214#214	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 66.7% 不稳定测试 6 输入令牌 275,779 输出令牌 14,401 推理令牌 25,511 响应时间（平均） 4.79s 响应时间（总计） 110.24s 响应时间（最大） 53.91s 答案错误: 9 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 9.0 编程 : 4.3 综合 : 3.8 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 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 4.7
#213#213	Qwen3.6 27Bnone	6.3	Qwen	$0.147 ↓	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
#212#212	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$1.249 ↑	111.54s
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 65.2% 不稳定测试 7 输入令牌 378,048 输出令牌 56,477 推理令牌 865,151 响应时间（平均） 111.54s 响应时间（总计） 2565.38s 响应时间（最大） 950.25s 无答案: 3 超时: 3 答案错误: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 7.4 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#211#211	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
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 42.0% 不稳定测试 3 输入令牌 276,199 输出令牌 17,473 推理令牌 0 响应时间（平均） 8.50s 响应时间（总计） 195.60s 响应时间（最大） 81.77s 答案错误: 13 额外格式: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.5 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 : 6.5 谜题求解 : 4.0 工具调用 : 10.0 常识问答 : 3.0
#209#209	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
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 59.4% 不稳定测试 7 输入令牌 255,887 输出令牌 154,879 推理令牌 603,518 响应时间（平均） 70.48s 响应时间（总计） 1620.93s 响应时间（最大） 480.52s 答案错误: 9 无答案: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 5.8 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 8.3 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#210#210	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
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 58.0% 不稳定测试 6 输入令牌 260,850 输出令牌 125,908 推理令牌 516,424 响应时间（平均） 66.13s 响应时间（总计） 1520.96s 响应时间（最大） 417.36s 答案错误: 8 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 7.9 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#208#208	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
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 63.8% 不稳定测试 7 输入令牌 253,462 输出令牌 40,269 推理令牌 185,716 响应时间（平均） 56.72s 响应时间（总计） 1304.54s 响应时间（最大） 333.34s 答案错误: 4 额外格式: 3 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 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 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