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）
#128#128	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
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 56.5% 不稳定测试 0 输入令牌 250,495 输出令牌 76,261 推理令牌 0 响应时间（平均） 17.80s 响应时间（总计） 409.51s 响应时间（最大） 206.03s 答案错误: 9 未遵循指令: 1 智能体任务 : 10.0 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
#296#296	Seed 2.1 Turbonone	5.7	Bytedance Seed	$0.182	9.65s
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 52.2% 不稳定测试 3 输入令牌 298,242 输出令牌 13,105 推理令牌 0 响应时间（平均） 9.65s 响应时间（总计） 221.91s 响应时间（最大） 71.45s 答案错误: 12 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 4.5 综合 : 3.8 数据解析与提取 : 7.1 领域专项 : 7.7 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#26#26	Gemini 3.7 Flashlow	9.4	Google	$0.183	6.24s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 95.7% 不稳定测试 2 输入令牌 188,519 输出令牌 7,694 推理令牌 30,759 响应时间（平均） 6.24s 响应时间（总计） 143.56s 响应时间（最大） 58.75s 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 8.2 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 : 10.0
#247#247	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
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
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 349,177 输出令牌 54,279 推理令牌 477,389 响应时间（平均） 83.68s 响应时间（总计） 1840.92s 响应时间（最大） 515.38s 答案错误: 5 超时: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 3.7 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 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
#277#277	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
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 43.5% 不稳定测试 2 输入令牌 278,866 输出令牌 82,069 推理令牌 0 响应时间（平均） 9.66s 响应时间（总计） 222.07s 响应时间（最大） 106.86s 答案错误: 10 额外格式: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 5.6 综合 : 2.9 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 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.4 尝试通过率 30.4% 不稳定测试 8 输入令牌 228,711 输出令牌 42,254 推理令牌 422,121 响应时间（平均） 150.90s 响应时间（总计） 2414.33s 响应时间（最大） 1539.97s 答案错误: 10 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 智能体任务 : 3.9 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.8 尝试通过率 47.8% 不稳定测试 12 输入令牌 195,780 输出令牌 167,746 推理令牌 598,384 响应时间（平均） 81.93s 响应时间（总计） 1884.31s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 72.5% 不稳定测试 6 输入令牌 301,749 输出令牌 1,033 推理令牌 620,023 响应时间（平均） 102.66s 响应时间（总计） 2361.10s 响应时间（最大） 674.08s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#178#178	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
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 256,428 输出令牌 9,786 推理令牌 575,630 响应时间（平均） 54.57s 响应时间（总计） 1255.15s 响应时间（最大） 345.18s 答案错误: 5 未遵循指令: 2 无答案: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 8.4 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 8.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#152#152	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
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 69.6% 不稳定测试 5 输入令牌 235,914 输出令牌 8,147 推理令牌 89,581 响应时间（平均） 14.94s 响应时间（总计） 343.65s 响应时间（最大） 91.16s 答案错误: 8 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 8.2 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 3.6 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
#227#227	GLM 5.3low	6.5	Z.ai	$0.215 ↓	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
#270#270	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.8 尝试通过率 44.9% 不稳定测试 5 输入令牌 299,984 输出令牌 69,664 推理令牌 0 响应时间（平均） 18.49s 响应时间（总计） 425.33s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 3.9 综合 : 6.4 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 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#121#121	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
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 291,988 输出令牌 8,848 推理令牌 622,995 响应时间（平均） 61.90s 响应时间（总计） 1423.67s 响应时间（最大） 357.28s 答案错误: 6 无答案: 2 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 5.9 编程 : 7.2 综合 : 7.1 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 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
#325#325	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.9 尝试通过率 53.6% 不稳定测试 2 输入令牌 106,348 输出令牌 19,257 推理令牌 0 响应时间（平均） 7.82s 响应时间（总计） 172.04s 响应时间（最大） 102.62s 答案错误: 11 智能体任务 : 0.0 反AI技巧 : 5.2 编程 : 3.8 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#110#110	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
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 66.7% 不稳定测试 4 输入令牌 237,088 输出令牌 8,235 推理令牌 102,675 响应时间（平均） 15.95s 响应时间（总计） 366.93s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 智能体任务 : 10.0 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
#215#215	GLM 5.2none	6.6	Z.ai	$0.250 ↑	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
#188#188	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 72.5% 不稳定测试 2 输入令牌 251,677 输出令牌 11,196 推理令牌 31,204 响应时间（平均） 8.51s 响应时间（总计） 195.76s 响应时间（最大） 52.64s 答案错误: 7 智能体任务 : 5.0 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
#313#313	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.0 尝试通过率 37.7% 不稳定测试 6 输入令牌 319,668 输出令牌 32,069 推理令牌 0 响应时间（平均） 17.51s 响应时间（总计） 402.66s 响应时间（最大） 132.84s 答案错误: 12 额外格式: 2 未遵循指令: 2 无答案: 1 智能体任务 : 6.1 反AI技巧 : 3.0 编程 : 3.6 综合 : 3.0 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#106#106	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
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 71.0% 不稳定测试 4 输入令牌 298,794 输出令牌 45,873 推理令牌 188,721 响应时间（平均） 55.99s 响应时间（总计） 1287.87s 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 智能体任务 : 10.0 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
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
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 29.0% 不稳定测试 4 输入令牌 275,349 输出令牌 49,377 推理令牌 12 响应时间（平均） 35.86s 响应时间（总计） 609.61s 响应时间（最大） 321.19s 答案错误: 17 无答案: 1 智能体任务 : 5.0 反AI技巧 : 3.6 编程 : 5.5 综合 : 2.8 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
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 71.0% 不稳定测试 4 输入令牌 229,530 输出令牌 13,757 推理令牌 92,662 响应时间（平均） 48.87s 响应时间（总计） 1123.91s 响应时间（最大） 254.92s 答案错误: 6 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 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
#18#18	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 202,347 输出令牌 6,660 推理令牌 68,002 响应时间（平均） 8.16s 响应时间（总计） 187.58s 响应时间（最大） 58.39s 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#138#138	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
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 65.2% 不稳定测试 6 输入令牌 269,497 输出令牌 34,935 推理令牌 145,752 响应时间（平均） 33.97s 响应时间（总计） 781.36s 响应时间（最大） 181.08s 答案错误: 9 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 9.2 编程 : 8.4 综合 : 6.5 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 : 9.8 谜题求解 : 6.0 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