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）
#315#315	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
#316#316	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
#317#317	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
#318#318	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
#4#4	GPT-6 Astrahigh	9.9	OpenAI	$3.474	18.65s
查看模型卡片总测试数 22 错误测试数 1 可靠性 9.9 尝试通过率 97.0% 不稳定测试 1 输入令牌 79,290 输出令牌 4,847 推理令牌 48,775 响应时间（平均） 18.65s 响应时间（总计） 410.28s 响应时间（最大） 254.93s 答案错误: 1 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 : 7.6 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
#5#5	GPT-6 Astraxhigh	9.9	OpenAI	$5.156	28.44s
查看模型卡片总测试数 22 错误测试数 1 可靠性 9.9 尝试通过率 97.0% 不稳定测试 1 输入令牌 79,662 输出令牌 5,055 推理令牌 82,128 响应时间（平均） 28.44s 响应时间（总计） 625.68s 响应时间（最大） 381.11s 答案错误: 1 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 : 7.6 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
#9#9	GPT-6 Astralow	9.5	OpenAI	$1.289	5.09s
查看模型卡片总测试数 22 错误测试数 2 可靠性 9.9 尝试通过率 90.9% 不稳定测试 0 输入令牌 78,100 输出令牌 4,155 推理令牌 5,989 响应时间（平均） 5.09s 响应时间（总计） 112.04s 响应时间（最大） 28.60s 答案错误: 2 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 : 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
#14#14	GPT-6 Astramedium	9.4	OpenAI	$1.774	8.08s
查看模型卡片总测试数 22 错误测试数 3 可靠性 9.9 尝试通过率 90.9% 不稳定测试 2 输入令牌 79,264 输出令牌 4,789 推理令牌 14,838 响应时间（平均） 8.08s 响应时间（总计） 177.70s 响应时间（最大） 73.48s 答案错误: 3 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 : 5.9 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 : 2.8
#44#44	Muse Spark 1.2high	8.7	Meta	$1.771	26.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.9 尝试通过率 74.2% 不稳定测试 5 输入令牌 117,037 输出令牌 6,983 推理令牌 375,104 响应时间（平均） 26.59s 响应时间（总计） 584.89s 响应时间（最大） 192.00s 答案错误: 4 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 8.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#66#66	Muse Glimmer 30Bxhigh	8.1	Meta	$0.471 ↓	95.55s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.9 尝试通过率 69.7% 不稳定测试 4 输入令牌 110,930 输出令牌 116,373 推理令牌 330,471 响应时间（平均） 95.55s 响应时间（总计） 2102.12s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#109#109	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.56s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.9 尝试通过率 68.2% 不稳定测试 0 输入令牌 95,992 输出令牌 12,446 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 100.30s 响应时间（最大） 72.30s 答案错误: 7 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 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
#152#152	Solar Pro 4medium	6.8	Upstage	$0.047	127.64s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.9 尝试通过率 62.1% 不稳定测试 4 输入令牌 87,902 输出令牌 30,743 推理令牌 335,668 响应时间（平均） 127.64s 响应时间（总计） 2808.09s 响应时间（最大） 519.91s 答案错误: 5 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#160#160	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.9 尝试通过率 54.6% 不稳定测试 4 输入令牌 90,870 输出令牌 5,676 推理令牌 314,918 响应时间（平均） 113.61s 响应时间（总计） 2499.46s 响应时间（最大） 560.39s 答案错误: 7 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#177#177	Qwen3.6 Max Previewnone	6.4	Qwen	$0.228 ↓	7.82s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.9 尝试通过率 56.1% 不稳定测试 2 输入令牌 106,348 输出令牌 19,257 推理令牌 0 响应时间（平均） 7.82s 响应时间（总计） 172.04s 响应时间（最大） 102.62s 答案错误: 11 反AI技巧 : 5.2 编程 : 3.8 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#235#235	Nemotron 3.5 Lightninghigh	5.6	NVIDIA	$0.134 ↕	58.26s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.9 尝试通过率 50.0% 不稳定测试 12 输入令牌 118,016 输出令牌 148,344 推理令牌 506,253 响应时间（平均） 58.26s 响应时间（总计） 1281.79s 响应时间（最大） 285.26s 答案错误: 11 未遵循指令: 4 额外格式: 1 无效工具调用: 1 反AI技巧 : 5.5 编程 : 4.4 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.7 指令遵循 : 8.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#243#243	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
#258#258	Nemotron 3.5 Lightningmedium	5.1	NVIDIA	$0.156 ↕	70.11s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.9 尝试通过率 48.5% 不稳定测试 11 输入令牌 126,330 输出令牌 165,702 推理令牌 594,739 响应时间（平均） 70.11s 响应时间（总计） 1542.52s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#31#31	Qwen3.8 Max (0902)high	8.9	Qwen	$2.736	185.56s
查看模型卡片总测试数 22 错误测试数 5 可靠性 9.8 尝试通过率 86.4% 不稳定测试 3 输入令牌 109,226 输出令牌 6,890 推理令牌 412,553 响应时间（平均） 185.56s 响应时间（总计） 4082.41s 响应时间（最大） 912.78s 答案错误: 2 未遵循指令: 1 无效工具调用: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#96#96	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.701 ↕	33.62s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.8 尝试通过率 66.7% 不稳定测试 3 输入令牌 233,415 输出令牌 54,384 推理令牌 130,021 响应时间（平均） 33.62s 响应时间（总计） 739.59s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 8.4 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#182#182	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.8 尝试通过率 63.6% 不稳定测试 4 输入令牌 132,044 输出令牌 92,135 推理令牌 207,321 响应时间（平均） 13.70s 响应时间（总计） 287.75s 响应时间（最大） 75.27s 答案错误: 7 无效工具调用: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 2.9 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#228#228	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
#278#278	Nemotron 3.5 Lightninglow	4.8	NVIDIA	$0.140 ↕	59.81s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.8 尝试通过率 42.4% 不稳定测试 9 输入令牌 138,792 输出令牌 142,972 推理令牌 522,202 响应时间（平均） 59.81s 响应时间（总计） 1315.80s 响应时间（最大） 312.21s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#295#295	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
#305#305	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
#100#100	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.7 尝试通过率 62.1% 不稳定测试 5 输入令牌 121,996 输出令牌 90,051 推理令牌 185,731 响应时间（平均） 75.15s 响应时间（总计） 1578.24s 响应时间（最大） 431.03s 答案错误: 4 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 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 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

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