AI BENCHY

AI 基准排行榜

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：: 2026-06-03 已评估模型: 161

161/161

排名	模型	分数	公司	总成本	响应时间（平均）
#153#153	Mercury 2none	4.6	Inception	$0.009	614ms
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 25.0% 不稳定测试 2 输入令牌 25,515 输出令牌 3,001 推理令牌 0 响应时间（平均） 614ms 响应时间（总计） 12.28s 响应时间（最大） 1.27s 答案错误: 15 未遵循指令: 1 反AI技巧 : 3.0 编程 : 3.5 综合 : 3.0 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#140#140	Mistral Small 4none	5.0	Mistral	$0.007	629ms
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 28.3% 不稳定测试 1 输入令牌 34,567 输出令牌 2,192 推理令牌 0 响应时间（平均） 629ms 响应时间（总计） 12.59s 响应时间（最大） 1.72s 答案错误: 14 未遵循指令: 1 反AI技巧 : 3.4 编程 : 4.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#161#161	Granite 4.1 8Bnone	4.1	IBM Granite	$0.003	719ms
查看模型卡片总测试数 20 错误测试数 18 可靠性 10.0 尝试通过率 10.0% 不稳定测试 0 输入令牌 43,135 输出令牌 2,743 推理令牌 0 响应时间（平均） 719ms 响应时间（总计） 14.37s 响应时间（最大） 2.17s 答案错误: 13 未遵循指令: 4 无效工具调用: 1 反AI技巧 : 4.9 编程 : 5.2 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 3.6 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#160#160	Nemotron 3 Nano Omni 30b A3b Reasoningnone	4.1	NVIDIA	$0.000	728ms
查看模型卡片总测试数 19 错误测试数 17 可靠性 10.0 尝试通过率 17.5% 不稳定测试 2 输入令牌 11,661 输出令牌 1,302 推理令牌 0 响应时间（平均） 728ms 响应时间（总计） 9.47s 响应时间（最大） 2.21s 答案错误: 9 API 错误: 6 未遵循指令: 2 反AI技巧 : 4.8 编程 : 10.0 综合 : 3.0 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 4.8 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#159#159	LFM2-24B-A2Bnone	4.2	Liquid	$0.001	782ms
查看模型卡片总测试数 16 错误测试数 14 可靠性不适用尝试通过率 16.7% 不稳定测试 1 输入令牌 10,771 输出令牌 1,173 推理令牌 0 响应时间（平均） 782ms 响应时间（总计） 10.94s 响应时间（最大） 3.15s 答案错误: 9 API 错误: 4 未遵循指令: 1 反AI技巧 : 3.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.8 工具调用 : 3.0
#145#145	Laguna Xs.2none	4.8	Poolside	$0.000	806ms
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 26.3% 不稳定测试 0 输入令牌 33,675 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 API 错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 2.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#94#94	Gemini 2.5 Flashnone	6.4	Google	$0.015	889ms
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 48.3% 不稳定测试 1 输入令牌 32,923 输出令牌 1,764 推理令牌 0 响应时间（平均） 889ms 响应时间（总计） 17.79s 响应时间（最大） 4.39s 答案错误: 11 反AI技巧 : 3.0 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#87#87	Gemini 3.1 Flash Litenone	6.6	Google	$0.013	1.09s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 55.0% 不稳定测试 4 输入令牌 33,705 输出令牌 2,478 推理令牌 0 响应时间（平均） 1.09s 响应时间（总计） 21.79s 响应时间（最大） 2.97s 答案错误: 10 未遵循指令: 1 反AI技巧 : 7.5 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 33.3% 不稳定测试 0 输入令牌 41,313 输出令牌 1,923 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 19.96s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.4 综合 : 3.0 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 : 6.3 谜题求解 : 5.3 工具调用 : 10.0
#142#142	GPT-5.4 Mininone	4.9	OpenAI	$0.036	1.15s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 31.7% 不稳定测试 3 输入令牌 31,625 输出令牌 2,508 推理令牌 0 响应时间（平均） 1.15s 响应时间（总计） 23.09s 响应时间（最大） 2.52s 答案错误: 12 未遵循指令: 3 反AI技巧 : 3.1 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#112#112	Grok 4.20 Betanone	5.8	X AI	$0.087 ↓	1.19s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 37.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.5 综合 : 3.0 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0
#136#136	Elephant Alphanone	5.1	Openrouter	$0.000	1.22s
查看模型卡片总测试数 20 错误测试数 15 可靠性不适用尝试通过率 28.3% 不稳定测试 1 输入令牌 33,743 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.22s 响应时间（总计） 22.03s 响应时间（最大） 3.81s 答案错误: 9 未遵循指令: 3 API 错误: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 4.2 工具调用 : 3.0 常识问答 : 3.0
#49#49	Gemini 3.1 Flash Lite Previewnone	7.5	Google	$0.017	1.23s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 63.3% 不稳定测试 1 输入令牌 34,579 输出令牌 5,541 推理令牌 0 响应时间（平均） 1.23s 响应时间（总计） 24.68s 响应时间（最大） 3.39s 答案错误: 6 未遵循指令: 2 反AI技巧 : 7.5 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 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
#134#134	Elephant Alphamedium	5.3	Openrouter	$0.000	1.27s
查看模型卡片总测试数 20 错误测试数 14 可靠性不适用尝试通过率 31.7% 不稳定测试 1 输入令牌 33,744 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.0 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#26#26	Qwen3.7 Maxnone	7.9	Qwen	$0.051 ↓	1.30s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 70.0% 不稳定测试 0 输入令牌 34,266 输出令牌 1,988 推理令牌 0 响应时间（平均） 1.30s 响应时间（总计） 25.95s 响应时间（最大） 3.92s 答案错误: 6 反AI技巧 : 6.5 编程 : 6.8 综合 : 3.0 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 : 3.0
#146#146	GPT-5.4 Nanonone	4.8	OpenAI	$0.010	1.33s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 31.7% 不稳定测试 5 输入令牌 31,593 输出令牌 2,769 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 26.54s 响应时间（最大） 3.84s 答案错误: 14 未遵循指令: 2 反AI技巧 : 3.5 编程 : 5.4 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#80#80	Gemini 3.1 Flash Liteminimal	6.7	Google	$0.013	1.37s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 56.7% 不稳定测试 3 输入令牌 33,968 输出令牌 2,481 推理令牌 0 响应时间（平均） 1.37s 响应时间（总计） 27.32s 响应时间（最大） 4.49s 答案错误: 7 未遵循指令: 3 反AI技巧 : 8.3 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#121#121	GPT-5.4none	5.6	OpenAI	$0.116	1.45s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 38.3% 不稳定测试 2 输入令牌 31,593 输出令牌 2,402 推理令牌 0 响应时间（平均） 1.45s 响应时间（总计） 29.00s 响应时间（最大） 2.95s 答案错误: 12 未遵循指令: 1 反AI技巧 : 3.2 编程 : 6.8 综合 : 3.0 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 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#23#23	Gemini 3.5 Flashminimal	7.9	Google	$0.103	1.58s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 71.7% 不稳定测试 1 输入令牌 36,844 输出令牌 5,271 推理令牌 0 响应时间（平均） 1.58s 响应时间（总计） 31.55s 响应时间（最大） 5.51s 答案错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 10.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#156#156	Grok 4.1 Fastnone	4.4	X AI	$0.008 ↓	1.62s
查看模型卡片总测试数 19 错误测试数 16 可靠性 10.0 尝试通过率 22.8% 不稳定测试 3 输入令牌 36,608 输出令牌 1,723 推理令牌 0 响应时间（平均） 1.62s 响应时间（总计） 19.48s 响应时间（最大） 5.51s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.2 编程 : 5.3 综合 : 3.0 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 : 3.0 谜题求解 : 3.0 工具调用 : 2.8 常识问答 : 3.0
#124#124	Qwen3.6 Flashnone	5.5	Qwen	$0.014 ↓	1.65s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 35.0% 不稳定测试 0 输入令牌 47,969 输出令牌 4,158 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 32.91s 响应时间（最大） 4.60s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 6.6 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#149#149	Qwen3.5-9Bnone	4.7	Qwen	$0.003 ↓	1.68s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 21.7% 不稳定测试 1 输入令牌 45,200 输出令牌 3,943 推理令牌 0 响应时间（平均） 1.68s 响应时间（总计） 33.66s 响应时间（最大） 5.91s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.1 编程 : 4.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#113#113	Qwen3.5-27Bnone	5.8	Qwen	$0.014 ↓	1.69s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 40.0% 不稳定测试 2 输入令牌 41,637 输出令牌 3,585 推理令牌 0 响应时间（平均） 1.69s 响应时间（总计） 33.82s 响应时间（最大） 9.39s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 7.3 综合 : 2.8 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 : 6.3 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#39#39	Gemini 3 Flash Previewnone	7.7	Google	$0.023	1.70s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 70.0% 不稳定测试 2 输入令牌 34,008 输出令牌 1,879 推理令牌 0 响应时间（平均） 1.70s 响应时间（总计） 22.05s 响应时间（最大） 3.56s 答案错误: 7 反AI技巧 : 8.3 编程 : 6.8 综合 : 4.7 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#122#122	MiMo-V2.5-Pronone	5.6	Xiaomi	$0.016 ↓	1.84s
查看模型卡片总测试数 20 错误测试数 14 可靠性 10.0 尝试通过率 41.7% 不稳定测试 4 输入令牌 28,962 输出令牌 3,037 推理令牌 0 响应时间（平均） 1.84s 响应时间（总计） 36.79s 响应时间（最大） 8.32s 答案错误: 10 未遵循指令: 4 反AI技巧 : 3.3 编程 : 5.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.4 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#143#143	GPT-4o-mininone	4.9	OpenAI	$0.006	1.85s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 25.0% 不稳定测试 0 输入令牌 28,896 输出令牌 1,977 推理令牌 0 响应时间（平均） 1.85s 响应时间（总计） 24.00s 响应时间（最大） 7.58s 答案错误: 14 未遵循指令: 1 反AI技巧 : 4.8 编程 : 3.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#51#51	Gemini 3.1 Flash Litelow	7.4	Google	$0.026	1.92s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 65.0% 不稳定测试 2 输入令牌 33,889 输出令牌 2,726 推理令牌 8,951 响应时间（平均） 1.92s 响应时间（总计） 38.45s 响应时间（最大） 5.66s 答案错误: 8 反AI技巧 : 7.3 编程 : 6.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 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
#88#88	GPT-5.5none	6.5	OpenAI	$0.217	1.93s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 56.7% 不稳定测试 3 输入令牌 31,593 输出令牌 1,956 推理令牌 0 响应时间（平均） 1.93s 响应时间（总计） 38.64s 响应时间（最大） 5.56s 答案错误: 10 反AI技巧 : 6.9 编程 : 6.8 综合 : 3.0 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#141#141	MiMo-V2.5none	5.0	Xiaomi	$0.007 ↓	2.20s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 28.3% 不稳定测试 1 输入令牌 39,342 输出令牌 2,258 推理令牌 0 响应时间（平均） 2.20s 响应时间（总计） 43.96s 响应时间（最大） 6.86s 答案错误: 13 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.5 编程 : 6.8 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#89#89	Mercury 2medium	6.5	Inception	$0.055	2.27s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 51.7% 不稳定测试 3 输入令牌 32,570 输出令牌 4,022 推理令牌 58,405 响应时间（平均） 2.27s 响应时间（总计） 43.20s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 反AI技巧 : 6.9 编程 : 7.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比