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）
#361#361	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
查看模型卡片总测试数 23 错误测试数 21 可靠性 10.0 尝试通过率 14.5% 不稳定测试 3 输入令牌 287,445 输出令牌 99,097 推理令牌 0 响应时间（平均） 17.65s 响应时间（总计） 406.05s 响应时间（最大） 200.52s 答案错误: 18 未遵循指令: 2 无答案: 1 智能体任务 : 5.4 反AI技巧 : 3.1 编程 : 3.4 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 4.3 谜题求解 : 3.1 工具调用 : 4.7 常识问答 : 3.0
#77#77	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
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 82.6% 不稳定测试 5 输入令牌 270,231 输出令牌 13,363 推理令牌 121,332 响应时间（平均） 17.73s 响应时间（总计） 407.75s 响应时间（最大） 78.72s 答案错误: 4 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 : 8.2 综合 : 7.3 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
#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
#94#94	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 73.9% 不稳定测试 3 输入令牌 203,193 输出令牌 5,751 推理令牌 47,410 响应时间（平均） 18.07s 响应时间（总计） 415.53s 响应时间（最大） 66.44s 答案错误: 7 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 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
#129#129	Grok 4.5low	7.8	X AI	$1.345	18.14s
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 73.9% 不稳定测试 2 输入令牌 308,068 输出令牌 9,218 推理令牌 112,197 响应时间（平均） 18.14s 响应时间（总计） 417.21s 响应时间（最大） 205.28s 答案错误: 7 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 37.7% 不稳定测试 4 输入令牌 218,886 输出令牌 135,768 推理令牌 0 响应时间（平均） 18.31s 响应时间（总计） 421.19s 响应时间（最大） 209.15s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.9 反AI技巧 : 3.4 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#108#108	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 71.0% 不稳定测试 4 输入令牌 197,896 输出令牌 6,211 推理令牌 133,184 响应时间（平均） 18.39s 响应时间（总计） 422.93s 响应时间（最大） 111.09s 答案错误: 8 智能体任务 : 10.0 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
#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
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 2 输入令牌 348,103 输出令牌 11,045 推理令牌 234,967 响应时间（平均） 18.59s 响应时间（总计） 427.52s 响应时间（最大） 145.92s 无效工具调用: 2 答案错误: 2 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 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 : 10.0 工具调用 : 9.8 常识问答 : 10.0
#37#37	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 84.1% 不稳定测试 4 输入令牌 222,794 输出令牌 7,357 推理令牌 58,930 响应时间（平均） 18.87s 响应时间（总计） 433.94s 响应时间（最大） 100.93s 答案错误: 4 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.6 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 2.8
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.900 ↓	18.93s
查看模型卡片总测试数 23 错误测试数 1 可靠性 10.0 尝试通过率 98.6% 不稳定测试 1 输入令牌 238,080 输出令牌 4,211 推理令牌 188,109 响应时间（平均） 18.93s 响应时间（总计） 435.48s 响应时间（最大） 104.15s 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 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
#249#249	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 60.9% 不稳定测试 2 输入令牌 312,368 输出令牌 9,429 推理令牌 416,147 响应时间（平均） 19.02s 响应时间（总计） 437.38s 响应时间（最大） 318.02s 答案错误: 9 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 7.3 编程 : 5.5 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#17#17	Gemini 4 Argonhigh	9.5	Google	$1.802	19.03s
查看模型卡片总测试数 23 错误测试数 2 可靠性 9.9 尝试通过率 97.1% 不稳定测试 2 输入令牌 240,264 输出令牌 5,707 推理令牌 126,366 响应时间（平均） 19.03s 响应时间（总计） 437.77s 响应时间（最大） 82.53s API 错误: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 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
#248#248	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
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 60.9% 不稳定测试 0 输入令牌 309,715 输出令牌 16,170 推理令牌 422,721 响应时间（平均） 19.04s 响应时间（总计） 437.98s 响应时间（最大） 309.35s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#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
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
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 24.6% 不稳定测试 1 输入令牌 250,329 输出令牌 45,168 推理令牌 0 响应时间（平均） 19.73s 响应时间（总计） 355.09s 响应时间（最大） 208.38s 答案错误: 15 额外格式: 1 未遵循指令: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.6 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 6.3 谜题求解 : 3.0 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
#333#333	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 59.4% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.1 编程 : 6.0 综合 : 4.9 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.9 尝试通过率 97.1% 不稳定测试 1 输入令牌 167,805 输出令牌 5,651 推理令牌 49,944 响应时间（平均） 20.16s 响应时间（总计） 463.68s 响应时间（最大） 254.93s 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.6 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 : 10.0
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 73.9% 不稳定测试 4 输入令牌 229,986 输出令牌 6,037 推理令牌 95,550 响应时间（平均） 20.37s 响应时间（总计） 468.52s 响应时间（最大） 106.93s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.1 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.7 尝试通过率 31.9% 不稳定测试 2 输入令牌 257,872 输出令牌 54,388 推理令牌 0 响应时间（平均） 20.43s 响应时间（总计） 469.88s 响应时间（最大） 192.80s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 3.6 编程 : 4.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 6.5 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#310#310	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.9 尝试通过率 40.6% 不稳定测试 5 输入令牌 222,357 输出令牌 6,855 推理令牌 0 响应时间（平均） 20.48s 响应时间（总计） 470.96s 响应时间（最大） 98.62s 答案错误: 13 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 6.2 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 68.1% 不稳定测试 1 输入令牌 132,507 输出令牌 12,739 推理令牌 228,626 响应时间（平均） 20.51s 响应时间（总计） 471.64s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.4 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 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
#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

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