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）
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
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 5 输入令牌 392,127 输出令牌 7,754 推理令牌 294,333 响应时间（平均） 36.73s 响应时间（总计） 844.68s 响应时间（最大） 199.66s 答案错误: 7 额外格式: 2 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 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
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 23.94s 响应时间（总计） 550.52s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 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 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
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 55.1% 不稳定测试 3 输入令牌 209,116 输出令牌 10,031 推理令牌 16,042 响应时间（平均） 11.40s 响应时间（总计） 262.14s 响应时间（最大） 34.77s 额外格式: 4 答案错误: 4 未遵循指令: 3 API 错误: 1 智能体任务 : 2.8 反AI技巧 : 6.5 编程 : 3.4 综合 : 10.0 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 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
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 232,218 输出令牌 4,944 推理令牌 142,263 响应时间（平均） 9.03s 响应时间（总计） 207.67s 响应时间（最大） 36.04s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.8 编程 : 8.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
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 321,894 输出令牌 139,334 推理令牌 369,481 响应时间（平均） 33.68s 响应时间（总计） 774.73s 响应时间（最大） 163.05s 答案错误: 9 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.7 编程 : 5.1 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
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 68.1% 不稳定测试 8 输入令牌 98,508 输出令牌 8,088 推理令牌 131,484 响应时间（平均） 24.96s 响应时间（总计） 574.12s 响应时间（最大） 335.41s 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 : 8.7 编程 : 6.1 综合 : 4.1 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.9 尝试通过率 68.1% 不稳定测试 9 输入令牌 293,112 输出令牌 152,376 推理令牌 357,890 响应时间（平均） 32.68s 响应时间（总计） 751.72s 响应时间（最大） 115.57s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 4.3 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.1 指令遵循 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
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 9 输入令牌 277,028 输出令牌 11,965 推理令牌 31,238 响应时间（平均） 9.69s 响应时间（总计） 222.83s 响应时间（最大） 77.99s 答案错误: 10 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 2.8 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
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 3 输入令牌 113,613 输出令牌 122,706 推理令牌 42,325 响应时间（平均） 65.52s 响应时间（总计） 1376.01s 响应时间（最大） 304.19s 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 : 5.3 综合 : 7.3 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 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
#419#419	Span-02default	2.8	Respan	$0.001	1.36s
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 26.1% 不稳定测试 0 输入令牌 70,626 输出令牌 0 推理令牌 0 响应时间（平均） 1.36s 响应时间（总计） 16.37s 响应时间（最大） 5.71s 答案错误: 6 智能体任务 : 0.0 反AI技巧 : 5.8 编程 : 4.9 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 5.0 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
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 26.1% 不稳定测试 0 输入令牌 67,092 输出令牌 18,927 推理令牌 0 响应时间（平均） 698ms 响应时间（总计） 8.38s 响应时间（最大） 1.08s 答案错误: 6 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.2 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 3.3 工具调用 : 0.0 常识问答 : 0.0
#433#433	Step 3.5 Flashnone	1.9	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 26.1% 不稳定测试 0 输入令牌 1,971 输出令牌 50,509 推理令牌 33,867 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 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 1.0 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
#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
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
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 72.5% 不稳定测试 8 输入令牌 274,189 输出令牌 66,689 推理令牌 510,525 响应时间（平均） 94.16s 响应时间（总计） 2165.72s 响应时间（最大） 303.26s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.2 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 : 6.1 指令遵循 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不稳定测试 6 输入令牌 318,058 输出令牌 16,035 推理令牌 315,072 响应时间（平均） 41.03s 响应时间（总计） 943.75s 响应时间（最大） 394.54s 答案错误: 7 未遵循指令: 3 API 错误: 1 智能体任务 : 10.0 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
#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
#141#141	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
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 4 输入令牌 195,928 输出令牌 5,728 推理令牌 19,152 响应时间（平均） 23.23s 响应时间（总计） 534.22s 响应时间（最大） 89.37s 答案错误: 7 API 错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 6.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 7.1 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.4 尝试通过率 59.4% 不稳定测试 3 输入令牌 313,368 输出令牌 12,289 推理令牌 259,270 响应时间（平均） 91.67s 响应时间（总计） 1833.43s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 230,895 输出令牌 161,281 推理令牌 510,655 响应时间（平均） 263.69s 响应时间（总计） 6064.89s 响应时间（最大） 1727.29s 答案错误: 6 未遵循指令: 2 无答案: 2 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 3.3 综合 : 10.0 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 : 8.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.0 尝试通过率 65.2% 不稳定测试 5 输入令牌 297,321 输出令牌 8,997 推理令牌 423,853 响应时间（平均） 124.87s 响应时间（总计） 2871.96s 响应时间（最大） 675.30s 答案错误: 6 API 错误: 3 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
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 59.4% 不稳定测试 3 输入令牌 287,669 输出令牌 47,204 推理令牌 375,030 响应时间（平均） 144.88s 响应时间（总计） 3332.19s 响应时间（最大） 939.52s 答案错误: 8 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
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 55.1% 不稳定测试 1 输入令牌 396,120 输出令牌 31,386 推理令牌 0 响应时间（平均） 10.78s 响应时间（总计） 247.96s 响应时间（最大） 79.61s 答案错误: 7 额外格式: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.4 反AI技巧 : 5.5 编程 : 5.9 综合 : 8.3 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#177#177	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
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 69.6% 不稳定测试 8 输入令牌 205,100 输出令牌 8,639 推理令牌 21,409 响应时间（平均） 7.37s 响应时间（总计） 169.54s 响应时间（最大） 74.39s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 6.0 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 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

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