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：: 2026-09-02 已评估模型: 311

311/311

排名	模型	分数	公司	总成本	响应时间（平均）
#132#132	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 60.6% 不稳定测试 5 输入令牌 102,986 输出令牌 5,860 推理令牌 264,399 响应时间（平均） 32.56s 响应时间（总计） 716.36s 响应时间（最大） 199.66s 答案错误: 6 额外格式: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#76#76	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
#80#80	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
#88#88	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.567 ↕	33.62s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.8 尝试通过率 66.7% 不稳定测试 3 输入令牌 233,415 输出令牌 54,384 推理令牌 130,021 响应时间（平均） 33.62s 响应时间（总计） 739.59s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 8.4 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#233#233	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.037 ↓	36.17s
查看模型卡片总测试数 22 错误测试数 18 可靠性 10.0 尝试通过率 27.3% 不稳定测试 4 输入令牌 240,230 输出令牌 100,726 推理令牌 0 响应时间（平均） 36.17s 响应时间（总计） 795.83s 响应时间（最大） 247.27s 答案错误: 13 额外格式: 2 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.0 编程 : 4.2 综合 : 4.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.595	37.19s
查看模型卡片总测试数 22 错误测试数 1 可靠性 10.0 尝试通过率 98.5% 不稳定测试 1 输入令牌 84,593 输出令牌 10,517 推理令牌 397,671 响应时间（平均） 37.19s 响应时间（总计） 818.19s 响应时间（最大） 177.08s 无答案: 1 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
#120#120	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
查看模型卡片总测试数 22 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 92,191 输出令牌 14,286 推理令牌 289,733 响应时间（平均） 38.05s 响应时间（总计） 837.05s 响应时间（最大） 394.54s 答案错误: 7 未遵循指令: 3 API 错误: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 8.5 谜题求解 : 7.3 工具调用 : 10.0 常识问答 : 3.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 87.9% 不稳定测试 3 输入令牌 80,668 输出令牌 5,617 推理令牌 119,699 响应时间（平均） 38.97s 响应时间（总计） 857.43s 响应时间（最大） 332.10s 答案错误: 4 反AI技巧 : 10.0 编程 : 8.8 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 2.8
#310#310	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
查看模型卡片总测试数 12 错误测试数 6 可靠性 10.0 尝试通过率 27.3% 不稳定测试 0 输入令牌 1,971 输出令牌 64,795 推理令牌 0 响应时间（平均） 39.03s 响应时间（总计） 312.26s 响应时间（最大） 114.12s API 错误: 4 未遵循指令: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 9.8 综合 : 1.5 数据解析与提取 : 1.5 领域专项 : 3.3 通用智能 : 4.0 指令遵循 : 5.0 谜题求解 : 0.0 工具调用 : 3.0 常识问答 : 3.0
#69#69	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
#268#268	Hy4 previewnone	4.8	Tencent	$0.041	39.24s
查看模型卡片总测试数 22 错误测试数 19 可靠性 4.3 尝试通过率 16.7% 不稳定测试 1 输入令牌 26,376 输出令牌 7,306 推理令牌 0 响应时间（平均） 39.24s 响应时间（总计） 863.30s 响应时间（最大） 95.32s 答案错误: 9 API 错误: 7 未遵循指令: 2 额外格式: 1 反AI技巧 : 3.3 编程 : 3.8 综合 : 3.0 数据解析与提取 : 8.7 领域专项 : 6.8 通用智能 : 5.1 指令遵循 : 7.0 谜题求解 : 4.6 工具调用 : 3.0 常识问答 : 3.0
#280#280	Cobuddymedium	4.7	Baidu	$0.000	39.90s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 45.5% 不稳定测试 6 输入令牌 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 39.90s 响应时间（总计） 797.98s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 3.7 综合 : 1.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#204#204	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
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 53.0% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 3.3 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#79#79	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
#259#259	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
查看模型卡片总测试数 22 错误测试数 17 可靠性 10.0 尝试通过率 45.5% 不稳定测试 9 输入令牌 114,527 输出令牌 18,558 推理令牌 129,146 响应时间（平均） 43.25s 响应时间（总计） 908.21s 响应时间（最大） 196.21s 答案错误: 6 未遵循指令: 5 无答案: 2 超时: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 7.9 编程 : 5.7 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#25#25	Muse Spark 1.3low	9.0	Meta	$0.633	43.67s
查看模型卡片总测试数 22 错误测试数 5 可靠性 9.6 尝试通过率 83.3% 不稳定测试 3 输入令牌 104,966 输出令牌 10,208 推理令牌 107,707 响应时间（平均） 43.67s 响应时间（总计） 960.70s 响应时间（最大） 190.38s 答案错误: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#126#126	Grok 4.3medium	7.0	X AI	$0.741	44.21s
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 66.7% 不稳定测试 5 输入令牌 140,244 输出令牌 13,739 推理令牌 212,165 响应时间（平均） 44.21s 响应时间（总计） 972.64s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无答案: 1 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
#19#19	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 86.4% 不稳定测试 3 输入令牌 106,029 输出令牌 5,748 推理令牌 220,354 响应时间（平均） 44.32s 响应时间（总计） 975.11s 响应时间（最大） 556.06s 答案错误: 4 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#140#140	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
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 66.7% 不稳定测试 5 输入令牌 129,050 输出令牌 20,026 推理令牌 616,923 响应时间（平均） 44.97s 响应时间（总计） 989.32s 响应时间（最大） 578.13s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 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 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#71#71	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
#249#249	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
查看模型卡片总测试数 22 错误测试数 15 可靠性 8.7 尝试通过率 34.9% 不稳定测试 1 输入令牌 52,909 输出令牌 7,058 推理令牌 12,272 响应时间（平均） 45.97s 响应时间（总计） 1011.42s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.4 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#173#173	MiMo-V2.5medium	6.4	Xiaomi	$0.104 ↓	46.28s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 68.2% 不稳定测试 7 输入令牌 105,456 输出令牌 7,108 推理令牌 319,940 响应时间（平均） 46.28s 响应时间（总计） 1018.12s 响应时间（最大） 316.27s 答案错误: 5 额外格式: 2 无答案: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 8.7 数据解析与提取 : 2.7 领域专项 : 3.6 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#119#119	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.6 尝试通过率 63.6% 不稳定测试 2 输入令牌 42,106 输出令牌 2,280 推理令牌 169,843 响应时间（平均） 46.97s 响应时间（总计） 986.35s 响应时间（最大） 189.38s 答案错误: 8 超时: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#137#137	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
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 7 输入令牌 114,477 输出令牌 12,786 推理令牌 457,290 响应时间（平均） 47.38s 响应时间（总计） 1042.43s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 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
#77#77	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

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 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

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