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）
#206#206	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 5 输入令牌 317,982 输出令牌 3,918 推理令牌 135,028 响应时间（平均） 7.74s 响应时间（总计） 178.07s 响应时间（最大） 107.89s 答案错误: 9 API 错误: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#207#207	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
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 58.0% 不稳定测试 1 输入令牌 230,004 输出令牌 18,040 推理令牌 0 响应时间（平均） 4.67s 响应时间（总计） 107.45s 响应时间（最大） 49.23s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 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 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#205#205	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 60.9% 不稳定测试 8 输入令牌 292,271 输出令牌 55,025 推理令牌 186,071 响应时间（平均） 125.76s 响应时间（总计） 2137.84s 响应时间（最大） 566.79s 答案错误: 5 超时: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 3.9 反AI技巧 : 7.3 编程 : 6.1 综合 : 6.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#204#204	Claude Sonnet 4.6medium	6.4	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 62.3% 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 智能体任务 : 0.0 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
#203#203	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 60.9% 不稳定测试 5 输入令牌 299,558 输出令牌 33,248 推理令牌 374,819 响应时间（平均） 133.93s 响应时间（总计） 3080.36s 响应时间（最大） 519.91s 答案错误: 6 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#202#202	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
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 62.3% 不稳定测试 3 输入令牌 233,893 输出令牌 12,432 推理令牌 0 响应时间（平均） 6.05s 响应时间（总计） 102.89s 响应时间（最大） 57.84s 答案错误: 9 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#201#201	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
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 2 输入令牌 405,921 输出令牌 97,112 推理令牌 0 响应时间（平均） 14.79s 响应时间（总计） 340.25s 响应时间（最大） 212.63s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 3.7 综合 : 5.2 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 : 6.3 谜题求解 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#200#200	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
#199#199	Grok 4.3medium	6.5	X AI	$0.989	44.53s
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 63.8% 不稳定测试 5 输入令牌 325,471 输出令牌 14,867 推理令牌 217,675 响应时间（平均） 44.53s 响应时间（总计） 1024.25s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#198#198	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
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 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 21.21s 响应时间（总计） 487.83s 响应时间（最大） 199.97s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 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
#197#197	GLM 5.1none	6.5	Z.ai	$0.385 ↑	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
#196#196	GLM 5.3low	6.5	Z.ai	$0.155 ↓	15.18s
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 63.8% 不稳定测试 5 输入令牌 247,871 输出令牌 10,791 推理令牌 17,315 响应时间（平均） 15.18s 响应时间（总计） 349.06s 响应时间（最大） 83.60s 答案错误: 8 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.2 反AI技巧 : 6.9 编程 : 6.2 综合 : 3.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#195#195	Mercury 2.5high	6.5	Inception	$0.044	7.62s
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 59.4% 不稳定测试 4 输入令牌 358,562 输出令牌 4,266 推理令牌 189,410 响应时间（平均） 7.62s 响应时间（总计） 175.36s 响应时间（最大） 80.30s 答案错误: 9 API 错误: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.4 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 6.5 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#194#194	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 65.2% 不稳定测试 6 输入令牌 298,512 输出令牌 3,178 推理令牌 177,419 响应时间（平均） 7.61s 响应时间（总计） 175.08s 响应时间（最大） 86.84s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 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 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#193#193	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
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 58.0% 不稳定测试 3 输入令牌 282,192 输出令牌 75,306 推理令牌 700,868 响应时间（平均） 59.92s 响应时间（总计） 1258.32s 响应时间（最大） 817.57s 答案错误: 6 API 错误: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 7.7 综合 : 3.0 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 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#192#192	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
#191#191	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
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 65.2% 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） 19.40s 响应时间（总计） 446.11s 响应时间（最大） 209.15s 答案错误: 10 API 错误: 2 智能体任务 : 3.0 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
#190#190	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
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 58.0% 不稳定测试 4 输入令牌 421,200 输出令牌 1,100,052 推理令牌 0 响应时间（平均） 72.72s 响应时间（总计） 1672.53s 响应时间（最大） 364.99s 答案错误: 8 无答案: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 5.4 反AI技巧 : 10.0 编程 : 4.0 综合 : 8.7 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 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#189#189	Mercury 2medium	6.6	Inception	$0.121	4.40s
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 53.6% 不稳定测试 5 输入令牌 189,300 输出令牌 10,854 推理令牌 86,089 响应时间（平均） 4.40s 响应时间（总计） 96.81s 响应时间（最大） 34.92s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#188#188	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.9 尝试通过率 55.1% 不稳定测试 5 输入令牌 262,387 输出令牌 7,344 推理令牌 338,881 响应时间（平均） 115.00s 响应时间（总计） 2645.11s 响应时间（最大） 560.39s 答案错误: 8 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#187#187	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
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 62.3% 不稳定测试 8 输入令牌 300,394 输出令牌 14,081 推理令牌 500,844 响应时间（平均） 51.80s 响应时间（总计） 1191.42s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 4 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 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 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#186#186	GLM 5.2none	6.6	Z.ai	$0.173 ↓	11.27s
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 63.8% 不稳定测试 3 输入令牌 247,919 输出令牌 17,685 推理令牌 0 响应时间（平均） 11.27s 响应时间（总计） 259.32s 响应时间（最大） 79.65s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 3.7 综合 : 6.9 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#185#185	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
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 56.5% 不稳定测试 2 输入令牌 205,108 输出令牌 6,197 推理令牌 0 响应时间（平均） 4.75s 响应时间（总计） 109.31s 响应时间（最大） 57.53s 答案错误: 11 智能体任务 : 5.0 反AI技巧 : 6.9 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 : 10.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#184#184	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
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 4 输入令牌 255,173 输出令牌 9,891 推理令牌 17,277 响应时间（平均） 11.82s 响应时间（总计） 271.92s 响应时间（最大） 90.45s 答案错误: 8 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 : 8.7 编程 : 5.4 综合 : 3.8 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#183#183	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 60.9% 不稳定测试 3 输入令牌 207,852 输出令牌 5,555 推理令牌 0 响应时间（平均） 4.61s 响应时间（总计） 105.93s 响应时间（最大） 58.28s 答案错误: 10 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 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