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：: 2026-08-15 已评估模型: 287

287/287

排名	模型	分数	公司	总成本	响应时间（平均）
#287#287	LFM2-24B-A2Bnone	2.2	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 12.1% 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 : 2.5 编程 : 0.0 综合 : 1.5 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 常识问答 : 0.0
#286#286	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
#285#285	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	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 15.2% 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 : 3.3 综合 : 1.5 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
#284#284	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
查看模型卡片总测试数 19 错误测试数 15 可靠性 10.0 尝试通过率 27.3% 不稳定测试 5 输入令牌 11,661 输出令牌 48,491 推理令牌 180,695 响应时间（平均） 17.13s 响应时间（总计） 222.66s 响应时间（最大） 147.45s 答案错误: 7 API 错误: 6 未遵循指令: 1 无答案: 1 反AI技巧 : 6.4 编程 : 1.1 综合 : 1.5 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.0 指令遵循 : 7.3 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#283#283	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 33.3% 不稳定测试 2 输入令牌 9,081 输出令牌 51,664 推理令牌 0 响应时间（平均） 21.61s 响应时间（总计） 345.79s 响应时间（最大） 113.71s 答案错误: 8 API 错误: 3 未遵循指令: 2 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 3.0 常识问答 : 3.0
#282#282	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	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 22.7% 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 : 8.3 综合 : 1.5 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
#281#281	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.6 尝试通过率 24.2% 不稳定测试 3 输入令牌 103,898 输出令牌 148,304 推理令牌 774,972 响应时间（平均） 68.08s 响应时间（总计） 1429.66s 响应时间（最大） 262.20s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.7 领域专项 : 3.0 通用智能 : 3.8 指令遵循 : 6.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#280#280	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
查看模型卡片总测试数 22 错误测试数 19 可靠性 6.0 尝试通过率 25.8% 不稳定测试 5 输入令牌 17,195 输出令牌 46,735 推理令牌 366,707 响应时间（平均） 107.51s 响应时间（总计） 1720.15s 响应时间（最大） 569.97s 超时: 11 无答案: 3 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 5.1 编程 : 2.9 综合 : 3.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 2.8 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#279#279	Grok 4.1 Fastnone	3.8	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 19.7% 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 : 1.8 综合 : 1.5 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
#278#278	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.6 尝试通过率 19.7% 不稳定测试 1 输入令牌 99,662 输出令牌 146,555 推理令牌 732,977 响应时间（平均） 66.16s 响应时间（总计） 1389.33s 响应时间（最大） 252.08s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 6.6 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#277#277	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
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 24.2% 不稳定测试 3 输入令牌 115,314 输出令牌 133,965 推理令牌 816,718 响应时间（平均） 75.68s 响应时间（总计） 1589.20s 响应时间（最大） 345.15s 无答案: 7 答案错误: 6 未遵循指令: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.4 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#276#276	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 43.9% 不稳定测试 4 输入令牌 11,793 输出令牌 267,275 推理令牌 0 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 反AI技巧 : 8.7 编程 : 3.3 综合 : 1.5 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#275#275	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.009 ↕	1.21s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 16.7% 不稳定测试 2 输入令牌 74,074 输出令牌 2,731 推理令牌 0 响应时间（平均） 1.21s 响应时间（总计） 26.62s 响应时间（最大） 6.30s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 4.8 编程 : 3.1 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 : 3.1 工具调用 : 2.8 常识问答 : 3.0
#274#274	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
查看模型卡片总测试数 22 错误测试数 20 可靠性 10.0 尝试通过率 9.1% 不稳定测试 0 输入令牌 113,836 输出令牌 5,996 推理令牌 0 响应时间（平均） 1.44s 响应时间（总计） 31.75s 响应时间（最大） 16.67s 答案错误: 13 未遵循指令: 4 无效工具调用: 2 额外格式: 1 反AI技巧 : 4.9 编程 : 4.5 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
#273#273	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
查看模型卡片总测试数 22 错误测试数 20 可靠性 9.8 尝试通过率 9.1% 不稳定测试 0 输入令牌 184,579 输出令牌 110,071 推理令牌 0 响应时间（平均） 14.02s 响应时间（总计） 294.46s 响应时间（最大） 240.61s 答案错误: 13 未遵循指令: 4 API 错误: 1 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 4.2 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 3.1 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#272#272	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 24.2% 不稳定测试 4 输入令牌 36,851 输出令牌 68,882 推理令牌 0 响应时间（平均） 2.76s 响应时间（总计） 46.99s 响应时间（最大） 19.68s 答案错误: 13 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.2 编程 : 4.3 综合 : 1.5 数据解析与提取 : 2.9 领域专项 : 5.3 通用智能 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#271#271	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 22.7% 不稳定测试 2 输入令牌 27,172 输出令牌 2,661 推理令牌 0 响应时间（平均） 12.92s 响应时间（总计） 232.64s 响应时间（最大） 35.84s 答案错误: 8 API 错误: 4 未遵循指令: 4 额外格式: 1 反AI技巧 : 4.8 编程 : 2.7 综合 : 1.5 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 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#270#270	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 43.9% 不稳定测试 6 输入令牌 39,481 输出令牌 54,218 推理令牌 0 响应时间（平均） 6.73s 响应时间（总计） 100.98s 响应时间（最大） 29.11s 答案错误: 6 API 错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 6.9 编程 : 2.1 综合 : 1.5 数据解析与提取 : 7.1 领域专项 : 4.1 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 4.7 常识问答 : 3.0
#269#269	Grok 4.20none	4.1	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 27.3% 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 : 1.1 综合 : 1.5 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 常识问答 : 0.0
#268#268	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
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 37.9% 不稳定测试 4 输入令牌 34,329 输出令牌 2,264 推理令牌 0 响应时间（平均） 4.70s 响应时间（总计） 79.86s 响应时间（最大） 15.17s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 9.8 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 6.4 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 0.0
#267#267	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
查看模型卡片总测试数 21 错误测试数 15 可靠性不适用尝试通过率 28.8% 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: 3 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 3.7 综合 : 1.5 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
#266#266	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.6 尝试通过率 31.8% 不稳定测试 8 输入令牌 79,104 输出令牌 42,254 推理令牌 377,280 响应时间（平均） 134.34s 响应时间（总计） 2015.13s 响应时间（最大） 1539.97s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 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
#265#265	Elephant Alphanone	4.3	Openrouter	$0.000	1.22s
查看模型卡片总测试数 21 错误测试数 16 可靠性不适用尝试通过率 25.8% 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 API 错误: 3 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.2 综合 : 1.5 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
#264#264	Laguna M.1none	4.4	Poolside	$0.009 ↕	2.89s
查看模型卡片总测试数 19 错误测试数 15 可靠性 9.8 尝试通过率 27.3% 不稳定测试 3 输入令牌 38,147 输出令牌 2,054 推理令牌 0 响应时间（平均） 2.89s 响应时间（总计） 43.28s 响应时间（最大） 15.42s 答案错误: 10 API 错误: 4 无效工具调用: 1 反AI技巧 : 3.4 编程 : 2.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#263#263	Grok 4.20 Betanone	4.4	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 30.3% 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 : 1.8 综合 : 1.5 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 常识问答 : 0.0
#262#262	Laguna S 2.1none	4.5	Poolside	$0.022 ↓	11.67s
查看模型卡片总测试数 22 错误测试数 20 可靠性 10.0 尝试通过率 15.2% 不稳定测试 3 输入令牌 125,604 输出令牌 57,634 推理令牌 0 响应时间（平均） 11.67s 响应时间（总计） 256.71s 响应时间（最大） 200.52s 答案错误: 18 未遵循指令: 1 无答案: 1 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
#261#261	MiniMax M2.5medium	4.6	Minimax	$0.272 ↓	69.08s
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 43.9% 不稳定测试 9 输入令牌 142,621 输出令牌 20,409 推理令牌 251,820 响应时间（平均） 69.08s 响应时间（总计） 1036.24s 响应时间（最大） 251.36s 答案错误: 7 超时: 4 未遵循指令: 3 无答案: 2 无效工具调用: 1 反AI技巧 : 7.9 编程 : 3.4 综合 : 3.7 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#260#260	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 25.8% 不稳定测试 4 输入令牌 148,203 输出令牌 19,069 推理令牌 0 响应时间（平均） 9.07s 响应时间（总计） 154.19s 响应时间（最大） 81.80s 答案错误: 14 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 3.5 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 6.3 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#259#259	Mercury 2none	4.7	Inception	$0.030	825ms
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 24.2% 不稳定测试 2 输入令牌 89,637 输出令牌 9,584 推理令牌 0 响应时间（平均） 825ms 响应时间（总计） 18.14s 响应时间（最大） 4.52s 答案错误: 17 未遵循指令: 1 反AI技巧 : 3.0 编程 : 3.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.9 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
#258#258	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

1 2 10

→

快速对比

Gemini 3.6 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 Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy 排行榜

推荐模型

筛选模型

快速对比