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：: 2026-09-07 已评估模型: 319

319/319

排名	模型	分数	公司	总成本	响应时间（平均）
#269#269	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
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 22.7% 不稳定测试 5 输入令牌 118,752 输出令牌 67,823 推理令牌 383,885 响应时间（平均） 85.34s 响应时间（总计） 1877.49s 响应时间（最大） 814.73s 答案错误: 15 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 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 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#270#270	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 36.4% 不稳定测试 5 输入令牌 135,831 输出令牌 42,099 推理令牌 0 响应时间（平均） 17.89s 响应时间（总计） 393.53s 响应时间（最大） 115.89s 答案错误: 8 API 错误: 3 额外格式: 2 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.2 编程 : 3.1 综合 : 4.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#271#271	GPT-4o-mininone	5.0	OpenAI	$0.010	1.92s
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 22.7% 不稳定测试 0 输入令牌 53,145 输出令牌 2,913 推理令牌 0 响应时间（平均） 1.92s 响应时间（总计） 30.71s 响应时间（最大） 7.58s 答案错误: 15 未遵循指令: 1 无答案: 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
#273#273	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
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 30.3% 不稳定测试 5 输入令牌 130,296 输出令牌 82,585 推理令牌 0 响应时间（平均） 3.51s 响应时间（总计） 77.28s 响应时间（最大） 60.70s 答案错误: 16 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.8 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#277#277	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 7,608 输出令牌 40,277 推理令牌 0 响应时间（平均） 51.99s 响应时间（总计） 831.90s 响应时间（最大） 143.82s API 错误: 6 答案错误: 5 未遵循指令: 2 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#279#279	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
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 115,933 输出令牌 13,794 推理令牌 0 响应时间（平均） 2.56s 响应时间（总计） 56.37s 响应时间（最大） 25.50s 答案错误: 15 未遵循指令: 2 无答案: 1 反AI技巧 : 3.5 编程 : 4.6 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
#280#280	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
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 39.4% 不稳定测试 8 输入令牌 101,776 输出令牌 276,367 推理令牌 656,252 响应时间（平均） 75.86s 响应时间（总计） 1668.93s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#282#282	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
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 36.4% 不稳定测试 7 输入令牌 69,376 输出令牌 97,752 推理令牌 0 响应时间（平均） 12.46s 响应时间（总计） 274.11s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 1 反AI技巧 : 5.3 编程 : 3.3 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.9 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#283#283	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
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 30.3% 不稳定测试 3 输入令牌 101,513 输出令牌 22,992 推理令牌 0 响应时间（平均） 8.81s 响应时间（总计） 140.88s 响应时间（最大） 97.15s 答案错误: 14 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 5.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#284#284	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
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 21.2% 不稳定测试 2 输入令牌 29,828 输出令牌 2,169 推理令牌 0 响应时间（平均） 2.98s 响应时间（总计） 56.57s 响应时间（最大） 14.34s 答案错误: 12 未遵循指令: 3 API 错误: 2 反AI技巧 : 3.1 编程 : 3.7 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.5 指令遵循 : 3.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#286#286	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 53.0% 不稳定测试 6 输入令牌 42,845 输出令牌 2,006 推理令牌 96,334 响应时间（平均） 23.85s 响应时间（总计） 286.16s 响应时间（最大） 121.79s 未遵循指令: 4 答案错误: 4 无答案: 1 超时: 1 反AI技巧 : 8.7 编程 : 7.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#287#287	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 1.5 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 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#288#288	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
#289#289	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
#291#291	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
#292#292	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	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
#293#293	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
#302#302	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
#303#303	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
#306#306	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
#307#307	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.007 ↕	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
#308#308	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
#309#309	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
#311#311	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
#314#314	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

←

1 9 10 11 13

→

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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium