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：: 2026-08-15 已评估模型: 287

287/287

排名	模型	分数	公司	总成本	响应时间（平均）
#107#107	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.6 尝试通过率 63.6% 不稳定测试 2 输入令牌 42,106 输出令牌 2,280 推理令牌 169,843 响应时间（平均） 46.97s 响应时间（总计） 986.35s 响应时间（最大） 189.38s 答案错误: 8 超时: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#106#106	Muse Glimmer 30Bhigh	7.2	Meta	$0.535	66.70s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 8 输入令牌 103,494 输出令牌 100,589 推理令牌 270,217 响应时间（平均） 66.70s 响应时间（总计） 1467.39s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 反AI技巧 : 8.7 编程 : 8.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 8.4 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 3.0
#105#105	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 6 输入令牌 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 22.11s 响应时间（总计） 486.31s 响应时间（最大） 199.97s 答案错误: 10 无效工具调用: 1 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#104#104	Kimi K2.6medium	7.2	Moonshot AI	$0.711 ↓	115.89s
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 63.6% 不稳定测试 4 输入令牌 68,913 输出令牌 64,654 推理令牌 282,865 响应时间（平均） 115.89s 响应时间（总计） 2433.66s 响应时间（最大） 876.20s 超时: 3 答案错误: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 综合 : 6.9 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 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#103#103	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 149,203 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.92s 响应时间（总计） 108.24s 响应时间（最大） 35.03s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.8 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#102#102	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.106	84.66s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 71.2% 不稳定测试 8 输入令牌 89,819 输出令牌 58,398 推理令牌 492,457 响应时间（平均） 84.66s 响应时间（总计） 1862.46s 响应时间（最大） 288.78s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.2 编程 : 6.4 综合 : 7.3 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 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#101#101	Qwen3.7 Plusnone	7.3	Qwen	$0.106 ↓	12.11s
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 54.6% 不稳定测试 0 输入令牌 98,833 输出令牌 58,097 推理令牌 0 响应时间（平均） 12.11s 响应时间（总计） 266.40s 响应时间（最大） 206.03s 答案错误: 9 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 10.0 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#100#100	Gemini 3.1 Flash Litemedium	7.3	Google	$0.120	4.38s
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 62.1% 不稳定测试 2 输入令牌 104,925 输出令牌 9,168 推理令牌 53,188 响应时间（平均） 4.38s 响应时间（总计） 96.32s 响应时间（最大） 26.22s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#99#99	KAT-Coder-Pro V2.5low	7.3	Kwaipilot	$0.400	20.20s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 68.2% 不稳定测试 8 输入令牌 87,682 输出令牌 7,166 推理令牌 106,027 响应时间（平均） 20.20s 响应时间（总计） 444.35s 响应时间（最大） 209.15s 答案错误: 10 API 错误: 1 反AI技巧 : 6.9 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#98#98	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
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 57.6% 不稳定测试 1 输入令牌 123,273 输出令牌 19,362 推理令牌 0 响应时间（平均） 7.67s 响应时间（总计） 122.78s 响应时间（最大） 51.18s 答案错误: 5 额外格式: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#97#97	Gemini 3 Flash Previewlow	7.4	Google	$0.185	6.51s
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 75.8% 不稳定测试 2 输入令牌 123,687 输出令牌 9,572 推理令牌 31,204 响应时间（平均） 6.51s 响应时间（总计） 143.12s 响应时间（最大） 17.13s 答案错误: 6 反AI技巧 : 10.0 编程 : 5.8 综合 : 3.0 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 : 10.0
#96#96	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
#95#95	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.4 尝试通过率 74.2% 不稳定测试 4 输入令牌 108,931 输出令牌 112,801 推理令牌 343,227 响应时间（平均） 120.59s 响应时间（总计） 2653.05s 响应时间（最大） 532.28s 答案错误: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 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
#94#94	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
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 59.1% 不稳定测试 2 输入令牌 97,324 输出令牌 44,383 推理令牌 346,490 响应时间（平均） 143.55s 响应时间（总计） 3158.11s 响应时间（最大） 939.52s 答案错误: 7 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#93#93	GPT-5.6 Lunamedium	7.4	OpenAI	$0.036 ↓	7.43s
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 62.1% 不稳定测试 2 输入令牌 89,685 输出令牌 5,701 推理令牌 38,824 响应时间（平均） 7.43s 响应时间（总计） 163.54s 响应时间（最大） 29.85s 答案错误: 9 反AI技巧 : 8.3 编程 : 5.4 综合 : 10.0 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#92#92	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.709 ↓	80.09s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 72,085 输出令牌 57,453 推理令牌 182,093 响应时间（平均） 80.09s 响应时间（总计） 1681.85s 响应时间（最大） 365.80s 答案错误: 6 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 7.3 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.7 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 3.0 常识问答 : 3.0
#91#91	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.56s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.9 尝试通过率 68.2% 不稳定测试 0 输入令牌 95,992 输出令牌 12,446 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 100.30s 响应时间（最大） 72.30s 答案错误: 7 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 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 : 3.0
#90#90	Gemini 3.1 Flash Lite Previewmedium	7.4	Google	$0.117	4.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 63.6% 不稳定测试 0 输入令牌 117,493 输出令牌 10,589 推理令牌 47,189 响应时间（平均） 4.59s 响应时间（总计） 101.04s 响应时间（最大） 18.34s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#88#88	GPT-5.4 Minimedium	7.5	OpenAI	$0.786	26.72s
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 68.2% 不稳定测试 5 输入令牌 97,164 输出令牌 6,211 推理令牌 152,133 响应时间（平均） 26.72s 响应时间（总计） 587.90s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.6 编程 : 8.4 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#89#89	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
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 60.6% 不稳定测试 1 输入令牌 106,946 输出令牌 7,993 推理令牌 503,413 响应时间（平均） 54.50s 响应时间（总计） 1199.07s 响应时间（最大） 252.69s 答案错误: 6 额外格式: 3 反AI技巧 : 8.3 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 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#87#87	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
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 75.8% 不稳定测试 6 输入令牌 111,644 输出令牌 16,113 推理令牌 598,796 响应时间（平均） 113.28s 响应时间（总计） 2492.26s 响应时间（最大） 1026.43s 答案错误: 4 未遵循指令: 2 额外格式: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.7 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#86#86	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 72.7% 不稳定测试 5 输入令牌 113,569 输出令牌 9,823 推理令牌 264,886 响应时间（平均） 91.76s 响应时间（总计） 1376.42s 响应时间（最大） 304.85s 答案错误: 4 超时: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.6 综合 : 6.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#85#85	GPT 5.3 Chatnone	7.5	OpenAI	$0.533	6.56s
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 65.2% 不稳定测试 4 输入令牌 78,846 输出令牌 28,179 推理令牌 0 响应时间（平均） 6.56s 响应时间（总计） 137.77s 响应时间（最大） 18.33s 答案错误: 6 未遵循指令: 2 API 错误: 1 反AI技巧 : 6.7 编程 : 5.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#84#84	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.7 尝试通过率 62.1% 不稳定测试 5 输入令牌 121,996 输出令牌 90,051 推理令牌 185,731 响应时间（平均） 75.15s 响应时间（总计） 1578.24s 响应时间（最大） 431.03s 答案错误: 4 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 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
#83#83	GPT-5.6 Terralow	7.5	OpenAI	$0.210 ↓	5.45s
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 74.2% 不稳定测试 6 输入令牌 80,304 输出令牌 4,714 推理令牌 16,872 响应时间（平均） 5.45s 响应时间（总计） 119.83s 响应时间（最大） 19.85s 答案错误: 8 无效工具调用: 1 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 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 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#82#82	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
#81#81	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
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 57.6% 不稳定测试 1 输入令牌 185,547 输出令牌 24,866 推理令牌 0 响应时间（平均） 7.65s 响应时间（总计） 168.35s 响应时间（最大） 47.72s 答案错误: 6 额外格式: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 5.5 编程 : 5.9 综合 : 8.3 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#80#80	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.780 ↕	33.62s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.8 尝试通过率 66.7% 不稳定测试 3 输入令牌 233,415 输出令牌 54,384 推理令牌 130,021 响应时间（平均） 33.62s 响应时间（总计） 739.59s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 8.4 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#79#79	Solar Pro 4xhigh	7.6	Upstage	$0.050	134.85s
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 60.6% 不稳定测试 2 输入令牌 98,116 输出令牌 21,720 推理令牌 367,730 响应时间（平均） 134.85s 响应时间（总计） 2966.79s 响应时间（最大） 491.42s 答案错误: 4 未遵循指令: 3 无答案: 2 额外格式: 1 反AI技巧 : 8.3 编程 : 5.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 8.9 工具调用 : 10.0 常识问答 : 3.0
#78#78	GPT-5.6 Lunahigh	7.6	OpenAI	$0.090 ↓	16.49s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 69.7% 不稳定测试 4 输入令牌 80,927 输出令牌 5,088 推理令牌 130,227 响应时间（平均） 16.49s 响应时间（总计） 362.78s 响应时间（最大） 111.09s 答案错误: 8 反AI技巧 : 8.3 编程 : 5.5 综合 : 10.0 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0

快速对比

Gemini 3.6 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 Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy 排行榜

推荐模型

筛选模型

快速对比