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）
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 47.8% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 7 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
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 6 输入令牌 287,061 输出令牌 32,056 推理令牌 196,607 响应时间（平均） 91.29s 响应时间（总计） 2099.56s 响应时间（最大） 416.76s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 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
#133#133	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
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 66.7% 不稳定测试 8 输入令牌 281,859 输出令牌 102,526 推理令牌 286,217 响应时间（平均） 69.87s 响应时间（总计） 1607.12s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 智能体任务 : 10.0 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
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 244,499 输出令牌 8,744 推理令牌 375,349 响应时间（平均） 100.65s 响应时间（总计） 2314.88s 响应时间（最大） 626.58s 答案错误: 6 API 错误: 4 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 常识问答 : 3.0
#173#173	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
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 6 输入令牌 292,685 输出令牌 339,108 推理令牌 0 响应时间（平均） 20.72s 响应时间（总计） 476.67s 响应时间（最大） 124.75s 答案错误: 9 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.7 编程 : 8.2 综合 : 7.3 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
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 264,147 输出令牌 34,419 推理令牌 253,480 响应时间（平均） 107.79s 响应时间（总计） 2479.26s 响应时间（最大） 1085.11s 答案错误: 5 无答案: 3 无效工具调用: 2 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.7 综合 : 6.7 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#183#183	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
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 5 输入令牌 245,179 输出令牌 62,697 推理令牌 196,621 响应时间（平均） 81.18s 响应时间（总计） 1785.87s 响应时间（最大） 365.80s 答案错误: 8 超时: 2 API 错误: 1 未遵循指令: 1 智能体任务 : 5.0 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
#189#189	Muse Glimmer 30Blow	6.9	Meta	$0.219 ↓	22.40s
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 63.8% 不稳定测试 6 输入令牌 307,228 输出令牌 36,044 推理令牌 71,621 响应时间（平均） 22.40s 响应时间（总计） 515.14s 响应时间（最大） 234.92s 答案错误: 6 未遵循指令: 3 无效工具调用: 2 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 8.1 综合 : 3.8 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 : 8.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#193#193	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
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 56.5% 不稳定测试 5 输入令牌 202,680 输出令牌 9,230 推理令牌 18,771 响应时间（平均） 6.96s 响应时间（总计） 160.19s 响应时间（最大） 45.74s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 2.8 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 : 8.5 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#198#198	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
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 56.5% 不稳定测试 4 输入令牌 213,901 输出令牌 9,623 推理令牌 12,414 响应时间（平均） 6.81s 响应时间（总计） 156.70s 响应时间（最大） 44.24s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.1 综合 : 2.9 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 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#201#201	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
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 59.4% 不稳定测试 5 输入令牌 315,136 输出令牌 219,014 推理令牌 0 响应时间（平均） 36.24s 响应时间（总计） 833.43s 响应时间（最大） 320.00s 答案错误: 10 未遵循指令: 2 智能体任务 : 6.1 反AI技巧 : 6.4 编程 : 5.7 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 5.3 指令遵循 : 5.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 7 输入令牌 384,974 输出令牌 13,946 推理令牌 371,916 响应时间（平均） 145.21s 响应时间（总计） 3339.87s 响应时间（最大） 640.89s 答案错误: 7 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.3 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 : 8.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#208#208	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.7 尝试通过率 59.4% 不稳定测试 5 输入令牌 166,517 输出令牌 107,386 推理令牌 217,548 响应时间（平均） 77.03s 响应时间（总计） 1694.74s 响应时间（最大） 431.03s 答案错误: 5 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 3.0 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
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.3 尝试通过率 59.4% 不稳定测试 6 输入令牌 153,399 输出令牌 7,803 推理令牌 179,098 响应时间（平均） 97.34s 响应时间（总计） 2238.73s 响应时间（最大） 587.08s API 错误: 8 答案错误: 3 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.2 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#212#212	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
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 68.1% 不稳定测试 9 输入令牌 365,069 输出令牌 133,336 推理令牌 344,133 响应时间（平均） 31.25s 响应时间（总计） 718.67s 响应时间（最大） 114.61s 答案错误: 9 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 : 5.5 综合 : 4.2 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 : 8.0 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#213#213	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
#219#219	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
#221#221	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
#229#229	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
#238#238	Beam 1.0 501B A23Blow	6.4	Reflection	$0.432	4.89s
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 218,076 输出令牌 4,863 推理令牌 66,387 响应时间（平均） 4.89s 响应时间（总计） 112.55s 响应时间（最大） 29.49s 答案错误: 6 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 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 : 8.4 谜题求解 : 6.1 工具调用 : 3.0 常识问答 : 3.0
#241#241	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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	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
#250#250	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
#251#251	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
#255#255	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

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