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）
#77#77	GLM 5 Turbomedium	7.6	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 71.2% 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 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
#76#76	DeepSeek V4 Flash 0423high	7.6	DeepSeek	$0.031 ↓	51.81s
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 69.7% 不稳定测试 4 输入令牌 108,480 输出令牌 37,229 推理令牌 174,081 响应时间（平均） 51.81s 响应时间（总计） 1139.75s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 8.3 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 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
#75#75	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.555 ↑	92.50s
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 63.6% 不稳定测试 6 输入令牌 90,757 输出令牌 22,928 推理令牌 186,516 响应时间（平均） 92.50s 响应时间（总计） 2035.01s 响应时间（最大） 416.76s 答案错误: 7 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 5.7 编程 : 6.3 综合 : 10.0 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 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#74#74	Claude Opus 4.6medium	7.7	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 63.6% 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 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
#73#73	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
查看模型卡片总测试数 22 错误测试数 9 可靠性 8.5 尝试通过率 77.3% 不稳定测试 6 输入令牌 85,657 输出令牌 8,142 推理令牌 233,167 响应时间（平均） 72.24s 响应时间（总计） 1589.31s 响应时间（最大） 485.92s 答案错误: 6 API 错误: 2 未遵循指令: 1 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#72#72	GLM 5medium	7.7	Z.ai	$0.228 ↓	33.54s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 78.8% 不稳定测试 4 输入令牌 35,224 输出令牌 21,570 推理令牌 102,996 响应时间（平均） 33.54s 响应时间（总计） 435.99s 响应时间（最大） 99.85s 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 5.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#71#71	Qwen3.7 Flashhigh	7.8	Qwen	$0.052	41.37s
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 71.2% 不稳定测试 6 输入令牌 116,331 输出令牌 12,330 推理令牌 357,920 响应时间（平均） 41.37s 响应时间（总计） 910.11s 响应时间（最大） 431.47s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 6.9 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 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#70#70	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
#69#69	Seed-2.0-Litemedium	7.8	Bytedance Seed	$0.236	47.94s
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 69.7% 不稳定测试 4 输入令牌 129,906 输出令牌 12,530 推理令牌 88,766 响应时间（平均） 47.94s 响应时间（总计） 1054.57s 响应时间（最大） 254.92s 答案错误: 6 未遵循指令: 2 无答案: 1 反AI技巧 : 8.3 编程 : 8.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#68#68	Qwen3.8 27Bmedium	7.8	Qwen	~$0.058	33.05s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.6 尝试通过率 66.7% 不稳定测试 1 输入令牌 98,266 输出令牌 1,861 推理令牌 134,301 响应时间（平均） 33.05s 响应时间（总计） 694.04s 响应时间（最大） 214.63s 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 8.3 工具调用 : 3.0 常识问答 : 3.0
#67#67	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
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 65.2% 不稳定测试 1 输入令牌 106,316 输出令牌 79,338 推理令牌 41,089 响应时间（平均） 28.08s 响应时间（总计） 421.15s 响应时间（最大） 140.96s 答案错误: 4 额外格式: 3 超时: 1 反AI技巧 : 6.5 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#66#66	GPT-5.6 Terramedium	7.8	OpenAI	$0.262 ↓	6.85s
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 2 输入令牌 79,184 输出令牌 4,878 推理令牌 25,471 响应时间（平均） 6.85s 响应时间（总计） 150.65s 响应时间（最大） 41.68s 答案错误: 8 反AI技巧 : 8.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#64#64	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
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 78.8% 不稳定测试 6 输入令牌 103,916 输出令牌 8,892 推理令牌 87,343 响应时间（平均） 5.12s 响应时间（总计） 112.73s 响应时间（最大） 26.41s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#65#65	GLM 5.2medium	7.8	Z.ai	$0.114 ↓	23.28s
查看模型卡片总测试数 21 错误测试数 6 可靠性 9.5 尝试通过率 80.3% 不稳定测试 4 输入令牌 37,199 输出令牌 12,261 推理令牌 49,500 响应时间（平均） 23.28s 响应时间（总计） 488.94s 响应时间（最大） 101.36s 答案错误: 3 无答案: 2 超时: 1 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 : 4.1 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#63#63	Qwen3.6 Plusmedium	7.8	Qwen	$0.418 ↑	45.52s
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 71.2% 不稳定测试 2 输入令牌 97,698 输出令牌 6,417 推理令牌 191,215 响应时间（平均） 45.52s 响应时间（总计） 955.94s 响应时间（最大） 291.55s 答案错误: 5 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.1 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#62#62	Qwen3.7 Plusmedium	7.9	Qwen	$0.277 ↓	53.51s
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 115,242 输出令牌 6,163 推理令牌 181,174 响应时间（平均） 53.51s 响应时间（总计） 1177.25s 响应时间（最大） 315.30s 答案错误: 5 无效工具调用: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.1 综合 : 8.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#61#61	Qwen3.8 27Blow	7.9	Qwen	~$0.071	39.11s
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 68.2% 不稳定测试 0 输入令牌 99,705 输出令牌 1,545 推理令牌 167,784 响应时间（平均） 39.11s 响应时间（总计） 860.51s 响应时间（最大） 376.04s 答案错误: 4 无答案: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 7.7 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 : 10.0 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#60#60	Step 3.7 Flashmedium	7.9	Stepfun	$0.495	23.51s
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 68.2% 不稳定测试 3 输入令牌 114,191 输出令牌 409,709 推理令牌 0 响应时间（平均） 23.51s 响应时间（总计） 517.21s 响应时间（最大） 152.83s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 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 : 9.8 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 3.0
#59#59	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
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 69.7% 不稳定测试 4 输入令牌 101,104 输出令牌 29,742 推理令牌 0 响应时间（平均） 7.73s 响应时间（总计） 162.40s 响应时间（最大） 38.52s 答案错误: 6 API 错误: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 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
#58#58	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 34,960 输出令牌 2,887 推理令牌 221,241 响应时间（平均） 142.84s 响应时间（总计） 2714.02s 响应时间（最大） 766.58s API 错误: 2 无答案: 2 额外格式: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#57#57	GPT-5.6 Terrahigh	8.0	OpenAI	$0.418 ↓	11.22s
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 68.2% 不稳定测试 2 输入令牌 81,056 输出令牌 5,055 推理令牌 51,033 响应时间（平均） 11.22s 响应时间（总计） 246.77s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 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
#56#56	Inklingmedium	8.0	Thinkingmachines	$0.377 ↓	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
#55#55	GLM 5.2high	8.0	Z.ai	$0.603 ↓	69.86s
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 3 输入令牌 83,822 输出令牌 72,040 推理令牌 292,615 响应时间（平均） 69.86s 响应时间（总计） 1536.98s 响应时间（最大） 599.43s 超时: 3 无答案: 2 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.1 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
#54#54	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.134	114.94s
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 75.8% 不稳定测试 5 输入令牌 96,702 输出令牌 16,966 推理令牌 496,341 响应时间（平均） 114.94s 响应时间（总计） 2528.65s 响应时间（最大） 600.61s 答案错误: 4 未遵循指令: 2 API 错误: 1 无答案: 1 反AI技巧 : 8.7 编程 : 6.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#53#53	DeepSeek V4 Flash 0731low	8.0	DeepSeek	$0.072	77.55s
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 71.2% 不稳定测试 5 输入令牌 93,345 输出令牌 35,723 推理令牌 350,266 响应时间（平均） 77.55s 响应时间（总计） 1706.18s 响应时间（最大） 438.65s 答案错误: 7 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 编程 : 7.3 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#52#52	Muse Spark 1.1high	8.0	Meta	$1.709	30.84s
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 6 输入令牌 129,003 输出令牌 8,340 推理令牌 355,649 响应时间（平均） 30.84s 响应时间（总计） 647.67s 响应时间（最大） 196.03s 答案错误: 3 未遵循指令: 2 无效工具调用: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 7.5 编程 : 10.0 综合 : 5.9 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 : 6.4 谜题求解 : 7.8 工具调用 : 9.6 常识问答 : 3.0
#51#51	Inklinghigh	8.0	Thinkingmachines	$1.041 ↓	62.57s
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 77.3% 不稳定测试 3 输入令牌 86,755 输出令牌 6,057 推理令牌 230,570 响应时间（平均） 62.57s 响应时间（总计） 1376.46s 响应时间（最大） 327.51s 答案错误: 4 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.5 综合 : 7.3 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 : 9.8 谜题求解 : 6.9 工具调用 : 3.0 常识问答 : 3.0
#50#50	Muse Glimmer 30Bxhigh	8.1	Meta	$0.635	95.55s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.9 尝试通过率 69.7% 不稳定测试 4 输入令牌 110,930 输出令牌 116,373 推理令牌 330,471 响应时间（平均） 95.55s 响应时间（总计） 2102.12s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#49#49	GPT-5 Minimedium	8.1	OpenAI	$0.241	27.64s
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 98,383 输出令牌 14,409 推理令牌 93,610 响应时间（平均） 27.64s 响应时间（总计） 608.02s 响应时间（最大） 111.48s 答案错误: 5 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.5 指令遵循 : 10.0 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#48#48	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.4 尝试通过率 72.7% 不稳定测试 2 输入令牌 113,279 输出令牌 121,045 推理令牌 374,496 响应时间（平均） 118.97s 响应时间（总计） 2617.41s 响应时间（最大） 534.21s 答案错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 3.2 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

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