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）
#34#34	Gemini 3.6 Flashlow	8.7	Google	$0.251 ↓	4.92s
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 89.4% 不稳定测试 3 输入令牌 85,886 输出令牌 5,489 推理令牌 44,232 响应时间（平均） 4.92s 响应时间（总计） 108.28s 响应时间（最大） 30.83s 答案错误: 4 反AI技巧 : 8.7 编程 : 7.8 综合 : 7.3 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#115#115	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 63.6% 不稳定测试 2 输入令牌 149,203 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.92s 响应时间（总计） 108.24s 响应时间（最大） 35.03s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.8 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#99#99	Gemini 3.8 Flashlow	7.5	Google	$0.239	4.83s
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 81.8% 不稳定测试 4 输入令牌 111,773 输出令牌 8,035 推理令牌 33,289 响应时间（平均） 4.83s 响应时间（总计） 106.18s 响应时间（最大） 35.14s 答案错误: 5 无答案: 1 反AI技巧 : 10.0 编程 : 5.4 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.8 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
#158#158	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
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 102,325 输出令牌 24,323 推理令牌 0 响应时间（平均） 4.77s 响应时间（总计） 105.00s 响应时间（最大） 69.46s 答案错误: 11 未遵循指令: 2 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
#292#292	Hunter Alphanone	4.2	OpenRouter	$0.000	4.70s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 37.9% 不稳定测试 4 输入令牌 34,329 输出令牌 2,264 推理令牌 0 响应时间（平均） 4.70s 响应时间（总计） 79.86s 响应时间（最大） 15.17s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 9.8 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 6.4 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 0.0
#255#255	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.68s
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 27.3% 不稳定测试 2 输入令牌 141,052 输出令牌 16,464 推理令牌 0 响应时间（平均） 4.68s 响应时间（总计） 103.02s 响应时间（最大） 55.36s 答案错误: 14 额外格式: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#100#100	Gemini 3.1 Flash Lite Previewmedium	7.4	Google	$0.117	4.59s
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 63.6% 不稳定测试 0 输入令牌 117,493 输出令牌 10,589 推理令牌 47,189 响应时间（平均） 4.59s 响应时间（总计） 101.04s 响应时间（最大） 18.34s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 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 : 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
#101#101	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
#112#112	Gemini 3.1 Flash Litemedium	7.3	Google	$0.120	4.38s
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 104,925 输出令牌 9,168 推理令牌 53,188 响应时间（平均） 4.38s 响应时间（总计） 96.32s 响应时间（最大） 26.22s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 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
#178#178	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
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 3 输入令牌 142,206 输出令牌 14,744 推理令牌 0 响应时间（平均） 4.37s 响应时间（总计） 96.20s 响应时间（最大） 44.58s 答案错误: 13 无答案: 1 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
#237#237	MiMo-V2.5-Pronone	5.4	Xiaomi	$0.068 ↓	4.24s
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 33.3% 不稳定测试 4 输入令牌 124,808 输出令牌 15,362 推理令牌 0 响应时间（平均） 4.24s 响应时间（总计） 93.28s 响应时间（最大） 53.13s 答案错误: 12 未遵循指令: 4 无答案: 1 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
#213#213	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 42.4% 不稳定测试 1 输入令牌 37,135 输出令牌 1,989 推理令牌 0 响应时间（平均） 4.03s 响应时间（总计） 56.37s 响应时间（最大） 11.07s 答案错误: 12 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
#163#163	Mercury 2.5 Previewhigh	6.6	Inception	$0.030	4.01s
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 65.2% 不稳定测试 5 输入令牌 115,759 输出令牌 2,562 推理令牌 160,943 响应时间（平均） 4.01s 响应时间（总计） 88.25s 响应时间（最大） 17.71s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#193#193	Nemotron 3 Ultranone	6.1	NVIDIA	$0.084 ↕	3.88s
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 42.4% 不稳定测试 2 输入令牌 101,168 输出令牌 9,470 推理令牌 0 响应时间（平均） 3.88s 响应时间（总计） 85.33s 响应时间（最大） 37.50s 答案错误: 11 API 错误: 2 未遵循指令: 1 反AI技巧 : 3.5 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 : 5.0 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#14#14	Gemini 3.7 Flashlow	9.2	Google	$0.207 ↑	3.85s
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 95.5% 不稳定测试 2 输入令牌 90,322 输出令牌 6,294 推理令牌 30,759 响应时间（平均） 3.85s 响应时间（总计） 84.80s 响应时间（最大） 19.44s 答案错误: 2 反AI技巧 : 10.0 编程 : 7.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 8.2 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
#190#190	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
#96#96	Mercury 2.5 Previewmedium	7.5	Inception	$0.024	3.58s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 69.7% 不稳定测试 1 输入令牌 112,713 输出令牌 5,436 推理令牌 121,598 响应时间（平均） 3.58s 响应时间（总计） 78.66s 响应时间（最大） 17.84s 答案错误: 4 API 错误: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 7.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#215#215	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
#247#247	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
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 1 输入令牌 116,155 输出令牌 19,679 推理令牌 0 响应时间（平均） 3.53s 响应时间（总计） 77.68s 响应时间（最大） 24.48s 答案错误: 15 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 4.6 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 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#265#265	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
#248#248	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
#231#231	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
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 40.9% 不稳定测试 0 输入令牌 122,463 输出令牌 11,445 推理令牌 0 响应时间（平均） 3.12s 响应时间（总计） 68.69s 响应时间（最大） 44.76s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.3 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#156#156	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 72.7% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#221#221	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.4% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#276#276	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

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

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