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：: 2026-10-17 已评估模型: 442

442/442

排名	模型	分数	公司	总成本	响应时间（平均）
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 63.8% 不稳定测试 9 输入令牌 277,028 输出令牌 11,965 推理令牌 31,238 响应时间（平均） 9.69s 响应时间（总计） 222.83s 响应时间（最大） 77.99s 答案错误: 10 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#233#233	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 62.3% 不稳定测试 3 输入令牌 233,893 输出令牌 12,432 推理令牌 0 响应时间（平均） 6.05s 响应时间（总计） 102.89s 响应时间（最大） 57.84s 答案错误: 9 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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
#190#190	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 59.4% 不稳定测试 2 输入令牌 228,023 输出令牌 10,779 推理令牌 53,188 响应时间（平均） 6.27s 响应时间（总计） 144.10s 响应时间（最大） 47.78s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#255#255	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 62.3% 不稳定测试 7 输入令牌 306,662 输出令牌 17,819 推理令牌 125,341 响应时间（平均） 70.08s 响应时间（总计） 1611.86s 响应时间（最大） 376.10s 答案错误: 6 API 错误: 2 超时: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 6.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 30.4% 不稳定测试 4 输入令牌 403,455 输出令牌 100,227 推理令牌 15,364 响应时间（平均） 38.64s 响应时间（总计） 888.69s 响应时间（最大） 247.27s 答案错误: 13 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 3.0 编程 : 4.2 综合 : 4.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 287,061 输出令牌 32,056 推理令牌 196,607 响应时间（平均） 91.29s 响应时间（总计） 2099.56s 响应时间（最大） 416.76s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 5.7 编程 : 6.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 47.8% 不稳定测试 6 输入令牌 250,919 输出令牌 20,816 推理令牌 0 响应时间（平均） 12.71s 响应时间（总计） 292.29s 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 智能体任务 : 10.0 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
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 27.5% 不稳定测试 6 输入令牌 344,806 输出令牌 177,330 推理令牌 453,213 响应时间（平均） 113.63s 响应时间（总计） 2613.48s 响应时间（最大） 1190.11s 答案错误: 12 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 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 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 3 输入令牌 251,164 输出令牌 36,112 推理令牌 241,203 响应时间（平均） 78.76s 响应时间（总计） 1653.96s 响应时间（最大） 437.40s 答案错误: 4 API 错误: 2 无效工具调用: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.3 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 : 10.0 谜题求解 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.4 尝试通过率 59.4% 不稳定测试 3 输入令牌 313,368 输出令牌 12,289 推理令牌 259,270 响应时间（平均） 91.67s 响应时间（总计） 1833.43s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
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 40.6% 不稳定测试 1 输入令牌 190,675 输出令牌 5,577 推理令牌 0 响应时间（平均） 8.74s 响应时间（总计） 131.17s 响应时间（最大） 74.80s 答案错误: 13 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 4.0 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 3.0 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
#38#38	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 2 输入令牌 394,509 输出令牌 10,349 推理令牌 188,919 响应时间（平均） 16.58s 响应时间（总计） 381.40s 响应时间（最大） 92.74s 答案错误: 2 额外格式: 1 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 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 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 33.3% 不稳定测试 1 输入令牌 388,929 输出令牌 57,714 推理令牌 0 响应时间（平均） 7.63s 响应时间（总计） 175.42s 响应时间（最大） 93.47s 答案错误: 13 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 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
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 50.7% 不稳定测试 2 输入令牌 25,987 输出令牌 216,719 推理令牌 0 响应时间（平均） 56.57s 响应时间（总计） 848.59s 响应时间（最大） 149.94s API 错误: 7 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 6.4 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#338#338	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 31.9% 不稳定测试 4 输入令牌 273,075 输出令牌 17,069 推理令牌 0 响应时间（平均） 6.21s 响应时间（总计） 142.89s 响应时间（最大） 53.13s 答案错误: 12 未遵循指令: 4 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.3 编程 : 4.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 6.4 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#179#179	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 69.6% 不稳定测试 7 输入令牌 259,664 输出令牌 8,414 推理令牌 333,097 响应时间（平均） 49.20s 响应时间（总计） 1131.69s 响应时间（最大） 316.27s 答案错误: 5 额外格式: 2 无答案: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 综合 : 8.7 数据解析与提取 : 2.7 领域专项 : 3.6 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#334#334	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.7 尝试通过率 42.0% 不稳定测试 8 输入令牌 321,955 输出令牌 41,555 推理令牌 94,946 响应时间（平均） 12.68s 响应时间（总计） 291.66s 响应时间（最大） 59.15s 答案错误: 14 未遵循指令: 2 API 错误: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 5.6 编程 : 4.4 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 : 7.3 谜题求解 : 3.4 工具调用 : 10.0 常识问答 : 3.0
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 53.6% 不稳定测试 5 输入令牌 189,300 输出令牌 10,854 推理令牌 86,089 响应时间（平均） 4.40s 响应时间（总计） 96.81s 响应时间（最大） 34.92s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 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
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 37.7% 不稳定测试 4 输入令牌 218,886 输出令牌 135,768 推理令牌 0 响应时间（平均） 18.31s 响应时间（总计） 421.19s 响应时间（最大） 209.15s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.9 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
#364#364	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 34.8% 不稳定测试 5 输入令牌 342,158 输出令牌 32,853 推理令牌 25,013 响应时间（平均） 22.44s 响应时间（总计） 516.03s 响应时间（最大） 122.50s 答案错误: 9 API 错误: 3 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.0 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
#108#108	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 71.0% 不稳定测试 4 输入令牌 197,896 输出令牌 6,211 推理令牌 133,184 响应时间（平均） 18.39s 响应时间（总计） 422.93s 响应时间（最大） 111.09s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 10.0 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#165#165	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 47.8% 不稳定测试 2 输入令牌 283,977 输出令牌 36,422 推理令牌 0 响应时间（平均） 9.98s 响应时间（总计） 229.52s 响应时间（最大） 124.53s 答案错误: 11 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 5.8 综合 : 6.4 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 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#279#279	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 39.1% 不稳定测试 3 输入令牌 314,113 输出令牌 17,558 推理令牌 0 响应时间（平均） 7.49s 响应时间（总计） 172.19s 响应时间（最大） 75.99s 答案错误: 14 无答案: 1 智能体任务 : 5.0 反AI技巧 : 3.0 编程 : 5.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#177#177	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 69.6% 不稳定测试 8 输入令牌 205,100 输出令牌 8,639 推理令牌 21,409 响应时间（平均） 7.37s 响应时间（总计） 169.54s 响应时间（最大） 74.39s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 6.0 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 50.7% 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） 6.03s 响应时间（总计） 138.65s 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 API 错误: 1 智能体任务 : 3.0 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

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 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow

AI Benchy 排行榜

推荐模型

筛选模型

全球基准趋势

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