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）
#89#89	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
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 57.6% 不稳定测试 1 输入令牌 185,547 输出令牌 24,866 推理令牌 0 响应时间（平均） 7.65s 响应时间（总计） 168.35s 响应时间（最大） 47.72s 答案错误: 6 额外格式: 2 无效工具调用: 1 无答案: 1 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
#36#36	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
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 83.3% 不稳定测试 1 输入令牌 145,249 输出令牌 24,948 推理令牌 5,042 响应时间（平均） 7.62s 响应时间（总计） 159.94s 响应时间（最大） 65.40s 答案错误: 3 超时: 1 反AI技巧 : 8.3 编程 : 7.6 综合 : 10.0 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
#223#223	Gemma 4 26B A4Bnone	5.6	Google	$0.015 ↓	7.58s
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 43.9% 不稳定测试 1 输入令牌 131,257 输出令牌 15,781 推理令牌 0 响应时间（平均） 7.58s 响应时间（总计） 166.82s 响应时间（最大） 57.10s 答案错误: 9 未遵循指令: 2 无效工具调用: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.7 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#103#103	GPT-5.6 Lunamedium	7.4	OpenAI	$0.072 ↓	7.43s
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 62.1% 不稳定测试 2 输入令牌 89,685 输出令牌 5,701 推理令牌 38,824 响应时间（平均） 7.43s 响应时间（总计） 163.54s 响应时间（最大） 29.85s 答案错误: 9 反AI技巧 : 8.3 编程 : 5.4 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#33#33	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
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 83.3% 不稳定测试 1 输入令牌 134,770 输出令牌 13,604 推理令牌 4,388 响应时间（平均） 6.99s 响应时间（总计） 153.80s 响应时间（最大） 30.67s 答案错误: 4 反AI技巧 : 10.0 编程 : 7.8 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 : 3.0
#74#74	GPT-5.6 Terramedium	7.8	OpenAI	$0.523 ↓	6.85s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 69.7% 不稳定测试 2 输入令牌 79,184 输出令牌 4,878 推理令牌 25,471 响应时间（平均） 6.85s 响应时间（总计） 150.65s 响应时间（最大） 41.68s 答案错误: 8 反AI技巧 : 8.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#208#208	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
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 54.6% 不稳定测试 3 输入令牌 129,150 输出令牌 10,643 推理令牌 0 响应时间（平均） 6.84s 响应时间（总计） 150.46s 响应时间（最大） 55.92s 答案错误: 11 无答案: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 3.8 数据解析与提取 : 7.1 领域专项 : 7.7 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#216#216	GLM 5.1none	5.7	Z.ai	$0.164 ↓	6.74s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 45.5% 不稳定测试 5 输入令牌 124,219 输出令牌 14,393 推理令牌 0 响应时间（平均） 6.74s 响应时间（总计） 148.20s 响应时间（最大） 61.20s 答案错误: 12 无效工具调用: 1 无答案: 1 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#294#294	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
#93#93	GPT 5.3 Chatnone	7.5	OpenAI	$0.533	6.56s
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 65.2% 不稳定测试 4 输入令牌 78,846 输出令牌 28,179 推理令牌 0 响应时间（平均） 6.56s 响应时间（总计） 137.77s 响应时间（最大） 18.33s 答案错误: 6 未遵循指令: 2 API 错误: 1 反AI技巧 : 6.7 编程 : 5.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#107#107	Gemini 3 Flash Previewlow	7.4	Google	$0.185	6.51s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 75.8% 不稳定测试 2 输入令牌 123,687 输出令牌 9,572 推理令牌 31,204 响应时间（平均） 6.51s 响应时间（总计） 143.12s 响应时间（最大） 17.13s 答案错误: 6 反AI技巧 : 10.0 编程 : 5.8 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#160#160	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
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 53.0% 不稳定测试 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.30s 响应时间（总计） 138.60s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#195#195	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 39.4% 不稳定测试 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.19s 响应时间（总计） 136.23s 响应时间（最大） 118.00s 答案错误: 13 无效工具调用: 1 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 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
#181#181	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 40.9% 不稳定测试 4 输入令牌 161,032 输出令牌 22,508 推理令牌 0 响应时间（平均） 6.05s 响应时间（总计） 132.99s 响应时间（最大） 33.39s 答案错误: 8 额外格式: 4 无答案: 2 未遵循指令: 1 反AI技巧 : 5.3 编程 : 4.6 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 6.4 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#267#267	Nemotron 3 Supernone	4.8	NVIDIA	$0.008 ↑	6.04s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.2 尝试通过率 27.3% 不稳定测试 2 输入令牌 63,528 输出令牌 6,432 推理令牌 0 响应时间（平均） 6.04s 响应时间（总计） 132.96s 响应时间（最大） 20.00s 答案错误: 15 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 6.3 谜题求解 : 5.5 工具调用 : 4.7 常识问答 : 3.0
#8#8	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
查看模型卡片总测试数 22 错误测试数 2 可靠性 10.0 尝试通过率 93.9% 不稳定测试 1 输入令牌 89,055 输出令牌 5,697 推理令牌 58,880 响应时间（平均） 5.87s 响应时间（总计） 129.20s 响应时间（最大） 30.23s 答案错误: 2 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 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 : 10.0
#30#30	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
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 84.9% 不稳定测试 2 输入令牌 87,826 输出令牌 2,239 推理令牌 32,956 响应时间（平均） 5.76s 响应时间（总计） 126.71s 响应时间（最大） 53.55s 答案错误: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#246#246	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.051 ↓	5.57s
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 28.8% 不稳定测试 5 输入令牌 93,990 输出令牌 45,905 推理令牌 0 响应时间（平均） 5.57s 响应时间（总计） 111.32s 响应时间（最大） 39.54s 答案错误: 13 API 错误: 2 未遵循指令: 2 无答案: 1 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#91#91	GPT-5.6 Terralow	7.5	OpenAI	$0.420 ↓	5.45s
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 74.2% 不稳定测试 6 输入令牌 80,304 输出令牌 4,714 推理令牌 16,872 响应时间（平均） 5.45s 响应时间（总计） 119.83s 响应时间（最大） 19.85s 答案错误: 8 无效工具调用: 1 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#191#191	Gemma 4 31Bnone	6.1	Google	$0.016 ↓	5.41s
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 43.9% 不稳定测试 1 输入令牌 125,703 输出令牌 13,317 推理令牌 0 响应时间（平均） 5.41s 响应时间（总计） 108.12s 响应时间（最大） 29.95s 答案错误: 10 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.8 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 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 3.0
#210#210	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 33.3% 不稳定测试 1 输入令牌 130,863 输出令牌 11,912 推理令牌 0 响应时间（平均） 5.37s 响应时间（总计） 118.06s 响应时间（最大） 64.67s 答案错误: 14 无答案: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#180#180	GPT-5.6 Lunalow	6.2	OpenAI	$0.051 ↓	5.20s
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 54.5% 不稳定测试 5 输入令牌 96,355 输出令牌 8,213 推理令牌 18,073 响应时间（平均） 5.20s 响应时间（总计） 114.46s 响应时间（最大） 19.44s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 8.5 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#172#172	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 40.9% 不稳定测试 2 输入令牌 108,752 输出令牌 9,375 推理令牌 0 响应时间（平均） 5.17s 响应时间（总计） 113.83s 响应时间（最大） 48.38s 答案错误: 13 额外格式: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.5 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 : 6.5 谜题求解 : 4.0 工具调用 : 10.0 常识问答 : 3.0
#72#72	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 78.8% 不稳定测试 6 输入令牌 103,916 输出令牌 8,892 推理令牌 87,343 响应时间（平均） 5.12s 响应时间（总计） 112.73s 响应时间（最大） 26.41s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#188#188	Inklinglow	6.1	Thinkingmachines	$0.187	5.11s
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 54.6% 不稳定测试 4 输入令牌 109,893 输出令牌 8,580 推理令牌 10,324 响应时间（平均） 5.11s 响应时间（总计） 112.46s 响应时间（最大） 41.58s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 8.3 编程 : 5.1 综合 : 2.9 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 : 9.8 谜题求解 : 6.4 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 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