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: 305

305/305

排名	模型	分数	公司	总成本	响应时间（平均）
#179#179	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
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 36.4% 不稳定测试 2 输入令牌 218,740 输出令牌 90,507 推理令牌 0 响应时间（平均） 10.05s 响应时间（总计） 221.13s 响应时间（最大） 186.24s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 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 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#184#184	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
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 34.9% 不稳定测试 1 输入令牌 139,797 输出令牌 30,947 推理令牌 0 响应时间（平均） 3.73s 响应时间（总计） 81.95s 响应时间（最大） 48.79s 答案错误: 12 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.1 编程 : 5.4 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#194#194	Qwen3.5-Flashnone	6.0	Qwen	$0.073 ↓	25.28s
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 34.9% 不稳定测试 2 输入令牌 282,356 输出令牌 209,201 推理令牌 0 响应时间（平均） 25.28s 响应时间（总计） 556.14s 响应时间（最大） 480.96s 答案错误: 14 无效工具调用: 1 反AI技巧 : 3.5 编程 : 5.5 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 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#203#203	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
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 34.9% 不稳定测试 2 输入令牌 108,641 输出令牌 8,339 推理令牌 0 响应时间（平均） 2.08s 响应时间（总计） 45.75s 响应时间（最大） 15.63s 答案错误: 14 未遵循指令: 1 反AI技巧 : 3.2 编程 : 5.5 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
#204#204	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
#214#214	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.8 尝试通过率 42.4% 不稳定测试 5 输入令牌 50,423 输出令牌 4,144 推理令牌 110,510 响应时间（平均） 15.87s 响应时间（总计） 349.16s 响应时间（最大） 118.35s 答案错误: 9 API 错误: 3 额外格式: 3 反AI技巧 : 6.9 编程 : 4.3 综合 : 6.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#223#223	Qwen3.6 27Bnone	5.5	Qwen	$0.116 ↑	10.62s
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 45.5% 不稳定测试 6 输入令牌 95,805 输出令牌 16,156 推理令牌 0 响应时间（平均） 10.62s 响应时间（总计） 233.68s 响应时间（最大） 156.31s 答案错误: 11 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.8 编程 : 5.5 综合 : 3.2 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 5.2 指令遵循 : 6.2 谜题求解 : 5.3 工具调用 : 9.5 常识问答 : 3.0
#229#229	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.046	10.63s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.9 尝试通过率 43.9% 不稳定测试 6 输入令牌 61,094 输出令牌 6,532 推理令牌 53,882 响应时间（平均） 10.63s 响应时间（总计） 233.77s 响应时间（最大） 86.23s 答案错误: 7 额外格式: 4 API 错误: 2 未遵循指令: 2 反AI技巧 : 7.3 编程 : 3.5 综合 : 6.4 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#243#243	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
查看模型卡片总测试数 22 错误测试数 15 可靠性 8.7 尝试通过率 34.9% 不稳定测试 1 输入令牌 52,909 输出令牌 7,058 推理令牌 12,272 响应时间（平均） 45.97s 响应时间（总计） 1011.42s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.4 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#247#247	Granite 4.2 8Blow	5.1	IBM Granite	$0.012	54.36s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.0 尝试通过率 31.8% 不稳定测试 0 输入令牌 74,721 输出令牌 9,205 推理令牌 18,723 响应时间（平均） 54.36s 响应时间（总计） 1195.97s 响应时间（最大） 566.80s 答案错误: 10 超时: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#288#288	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
#301#301	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
#251#251	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 30.3% 不稳定测试 2 输入令牌 32,525 输出令牌 1,815 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 59.29s 响应时间（最大） 8.21s 答案错误: 13 未遵循指令: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#284#284	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
#195#195	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.142 ↑	12.73s
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 39.4% 不稳定测试 4 输入令牌 134,530 输出令牌 86,616 推理令牌 0 响应时间（平均） 12.73s 响应时间（总计） 279.97s 响应时间（最大） 209.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.4 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 : 6.5 指令遵循 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#201#201	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.58s
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 31.8% 不稳定测试 2 输入令牌 79,076 输出令牌 7,898 推理令牌 0 响应时间（平均） 1.58s 响应时间（总计） 34.86s 响应时间（最大） 9.92s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.1 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 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
#209#209	Ling-3.0-flashnone	5.7	Inclusionai	$0.004 ↕	3.56s
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 27.3% 不稳定测试 0 输入令牌 123,993 输出令牌 12,777 推理令牌 0 响应时间（平均） 3.56s 响应时间（总计） 74.74s 响应时间（最大） 17.51s 答案错误: 13 API 错误: 1 未遵循指令: 1 无效工具调用: 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 : 3.0 通用智能 : 5.0 指令遵循 : 4.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#211#211	Kimi K2.6none	5.7	Moonshot AI	$0.233 ↑	19.57s
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 30.3% 不稳定测试 2 输入令牌 116,983 输出令牌 30,249 推理令牌 0 响应时间（平均） 19.57s 响应时间（总计） 430.58s 响应时间（最大） 238.89s 答案错误: 12 未遵循指令: 3 无答案: 1 反AI技巧 : 4.6 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 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#212#212	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.283 ↑	12.93s
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 33.3% 不稳定测试 2 输入令牌 241,575 输出令牌 88,459 推理令牌 0 响应时间（平均） 12.93s 响应时间（总计） 284.39s 响应时间（最大） 212.63s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.7 综合 : 5.2 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 : 6.3 谜题求解 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#230#230	GPT-5.6 Lunanone	5.4	OpenAI	$0.029 ↓	1.50s
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 3 输入令牌 101,332 输出令牌 6,709 推理令牌 0 响应时间（平均） 1.50s 响应时间（总计） 33.05s 响应时间（最大） 10.57s 答案错误: 14 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.8 综合 : 3.2 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 : 7.1 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#237#237	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
查看模型卡片总测试数 22 错误测试数 16 可靠性 8.6 尝试通过率 36.4% 不稳定测试 5 输入令牌 159,749 输出令牌 23,433 推理令牌 0 响应时间（平均） 14.67s 响应时间（总计） 322.71s 响应时间（最大） 132.84s 答案错误: 11 额外格式: 2 未遵循指令: 2 无答案: 1 反AI技巧 : 3.0 编程 : 3.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#242#242	Inklingnone	5.2	Thinkingmachines	$0.147	3.47s
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 28.8% 不稳定测试 1 输入令牌 104,120 输出令牌 10,554 推理令牌 0 响应时间（平均） 3.47s 响应时间（总计） 76.28s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 2.9 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 : 6.3 谜题求解 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#254#254	Mercury 2.5 Previewlow	5.0	Inception	$0.011	1.31s
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 47.0% 不稳定测试 8 输入令牌 133,525 输出令牌 7,259 推理令牌 24,716 响应时间（平均） 1.31s 响应时间（总计） 28.77s 响应时间（最大） 7.29s 答案错误: 12 未遵循指令: 2 API 错误: 1 无答案: 1 反AI技巧 : 5.6 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 4.1 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#256#256	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
#260#260	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
查看模型卡片总测试数 22 错误测试数 16 可靠性 9.6 尝试通过率 30.3% 不稳定测试 2 输入令牌 114,384 输出令牌 14,903 推理令牌 0 响应时间（平均） 10.71s 响应时间（总计） 214.28s 响应时间（最大） 36.03s 答案错误: 9 无效工具调用: 3 API 错误: 2 未遵循指令: 2 反AI技巧 : 6.8 编程 : 5.3 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 : 2.9 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 3.7 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