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）
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.7 尝试通过率 36.2% 不稳定测试 3 输入令牌 337,756 输出令牌 292,779 推理令牌 0 响应时间（平均） 16.63s 响应时间（总计） 382.53s 响应时间（最大） 247.66s 答案错误: 11 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 反AI技巧 : 3.7 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 : 5.5 指令遵循 : 6.5 谜题求解 : 5.3 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
#187#187	Grok 4.6low	6.9	X AI	$0.781	16.44s
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 66.7% 不稳定测试 1 输入令牌 263,427 输出令牌 6,006 推理令牌 36,309 响应时间（平均） 16.44s 响应时间（总计） 378.14s 响应时间（最大） 57.97s 答案错误: 8 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 5.5 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#321#321	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 60.9% 不稳定测试 0 输入令牌 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s API 错误: 3 答案错误: 3 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 10.0 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 : 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
#40#40	Muse Wonderlow	9.1	Meta	$2.637	16.00s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.7 尝试通过率 76.8% 不稳定测试 1 输入令牌 244,997 输出令牌 11,148 推理令牌 71,699 响应时间（平均） 16.00s 响应时间（总计） 367.91s 响应时间（最大） 83.98s 答案错误: 4 API 错误: 2 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 : 10.0 指令遵循 : 6.5 谜题求解 : 5.9 工具调用 : 9.8 常识问答 : 3.0
#110#110	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
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 66.7% 不稳定测试 4 输入令牌 237,088 输出令牌 8,235 推理令牌 102,675 响应时间（平均） 15.95s 响应时间（总计） 366.93s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 工具调用 : 10.0 常识问答 : 3.0
#397#397	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	15.92s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.8 尝试通过率 15.9% 不稳定测试 2 输入令牌 97,418 输出令牌 4,779 推理令牌 0 响应时间（平均） 15.92s 响应时间（总计） 366.20s 响应时间（最大） 339.57s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 超时: 1 智能体任务 : 3.0 反AI技巧 : 4.8 编程 : 3.1 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 2.8 常识问答 : 3.0
#308#308	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.8 尝试通过率 33.3% 不稳定测试 5 输入令牌 286,758 输出令牌 85,777 推理令牌 0 响应时间（平均） 15.75s 响应时间（总计） 362.23s 响应时间（最大） 90.95s 答案错误: 9 未遵循指令: 5 无答案: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 3.6 编程 : 4.5 综合 : 2.9 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 : 8.0 谜题求解 : 7.7 工具调用 : 4.7 常识问答 : 3.0
#12#12	GPT-6.1 Solhigh	9.6	OpenAI	$0.755	15.46s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 174,960 输出令牌 5,780 推理令牌 34,728 响应时间（平均） 15.46s 响应时间（总计） 355.66s 响应时间（最大） 139.76s 答案错误: 2 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 : 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 : 4.7
#389#389	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
查看模型卡片总测试数 19 错误测试数 10 可靠性不适用尝试通过率 39.1% 不稳定测试 0 输入令牌 32,639 输出令牌 1,153 推理令牌 62,197 响应时间（平均） 15.25s 响应时间（总计） 182.96s 响应时间（最大） 43.55s API 错误: 8 答案错误: 2 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 1.0 综合 : 5.0 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 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#331#331	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.8 尝试通过率 40.6% 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） 15.23s 响应时间（总计） 350.26s 响应时间（最大） 118.35s 答案错误: 9 API 错误: 4 额外格式: 3 智能体任务 : 3.0 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
#227#227	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
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 63.8% 不稳定测试 5 输入令牌 247,871 输出令牌 10,791 推理令牌 17,315 响应时间（平均） 15.18s 响应时间（总计） 349.06s 响应时间（最大） 83.60s 答案错误: 8 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.2 反AI技巧 : 6.9 编程 : 6.2 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 95.7% 不稳定测试 2 输入令牌 233,400 输出令牌 6,922 推理令牌 173,178 响应时间（平均） 15.10s 响应时间（总计） 347.23s 响应时间（最大） 91.63s 答案错误: 2 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 : 5.8 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
#78#78	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 76.8% 不稳定测试 3 输入令牌 353,658 输出令牌 54,891 推理令牌 18,370 响应时间（平均） 15.01s 响应时间（总计） 345.16s 响应时间（最大） 69.26s 答案错误: 5 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 : 9.0 综合 : 7.3 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#72#72	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 79.7% 不稳定测试 4 输入令牌 342,579 输出令牌 12,848 推理令牌 70,193 响应时间（平均） 14.98s 响应时间（总计） 344.60s 响应时间（最大） 54.92s 答案错误: 3 额外格式: 1 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 : 10.0 编程 : 8.2 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.5 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	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
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 69.6% 不稳定测试 5 输入令牌 235,914 输出令牌 8,147 推理令牌 89,581 响应时间（平均） 14.94s 响应时间（总计） 343.65s 响应时间（最大） 91.16s 答案错误: 8 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 8.2 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 3.6 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
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 36.2% 不稳定测试 2 输入令牌 405,921 输出令牌 97,112 推理令牌 0 响应时间（平均） 14.79s 响应时间（总计） 340.25s 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 智能体任务 : 10.0 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
#394#394	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 43.5% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 智能体任务 : 0.0 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
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 36.2% 不稳定测试 3 输入令牌 410,787 输出令牌 117,742 推理令牌 0 响应时间（平均） 14.70s 响应时间（总计） 338.13s 响应时间（最大） 186.24s 答案错误: 14 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 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
#20#20	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 91.3% 不稳定测试 3 输入令牌 191,341 输出令牌 5,665 推理令牌 32,340 响应时间（平均） 14.57s 响应时间（总计） 335.16s 响应时间（最大） 79.40s 答案错误: 4 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 : 5.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 4.7
#265#265	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
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 68.1% 不稳定测试 4 输入令牌 246,061 输出令牌 3,828 推理令牌 149,767 响应时间（平均） 14.13s 响应时间（总计） 268.55s 响应时间（最大） 85.26s API 错误: 4 答案错误: 4 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.8 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#105#105	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
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 437,293 输出令牌 29,102 推理令牌 28,876 响应时间（平均） 14.12s 响应时间（总计） 310.55s 响应时间（最大） 150.60s 答案错误: 3 无效工具调用: 1 超时: 1 智能体任务 : 5.2 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
#155#155	DeepSeek V4 Pro 0423none	7.4	DeepSeek	$0.083 ↓	14.05s
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 49.3% 不稳定测试 4 输入令牌 304,186 输出令牌 40,118 推理令牌 5,886 响应时间（平均） 14.05s 响应时间（总计） 323.17s 响应时间（最大） 119.44s 答案错误: 9 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 3.2 编程 : 5.6 综合 : 7.9 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 : 6.3 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 95.7% 不稳定测试 2 输入令牌 188,003 输出令牌 2,914 推理令牌 113,210 响应时间（平均） 14.03s 响应时间（总计） 322.73s 响应时间（最大） 77.15s 答案错误: 2 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 : 5.8 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
#90#90	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
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 69.6% 不稳定测试 2 输入令牌 197,239 输出令牌 6,083 推理令牌 53,982 响应时间（平均） 13.62s 响应时间（总计） 313.21s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 7.7 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 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