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）
#300#300	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 22.7% 不稳定测试 0 输入令牌 33,675 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 API 错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 8.3 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 : 6.5 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#282#282	Elephant Alphanone	4.3	Openrouter	$0.000	1.22s
查看模型卡片总测试数 21 错误测试数 16 可靠性不适用尝试通过率 25.8% 不稳定测试 1 输入令牌 33,743 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.22s 响应时间（总计） 22.03s 响应时间（最大） 3.81s 答案错误: 9 API 错误: 3 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.2 综合 : 1.5 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 : 4.2 工具调用 : 3.0 常识问答 : 3.0
#221#221	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
#231#231	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
#232#232	Kimi K2.5none	5.4	Moonshot AI	$0.101 ↓	18.03s
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 30.3% 不稳定测试 4 输入令牌 89,320 输出令牌 26,643 推理令牌 0 响应时间（平均） 18.03s 响应时间（总计） 288.42s 响应时间（最大） 102.83s 答案错误: 16 无答案: 1 反AI技巧 : 3.6 编程 : 5.5 综合 : 2.8 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#235#235	Inkling Smallnone	5.3	Thinkingmachines	$0.054 ↓	1.51s
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 24.2% 不稳定测试 1 输入令牌 94,733 输出令牌 8,770 推理令牌 0 响应时间（平均） 1.51s 响应时间（总计） 33.21s 响应时间（最大） 12.35s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 3.6 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 : 6.3 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#236#236	Laguna XS 2.1none	5.3	Poolside	$0.008	1.55s
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 30.3% 不稳定测试 3 输入令牌 91,607 输出令牌 13,377 推理令牌 0 响应时间（平均） 1.55s 响应时间（总计） 34.01s 响应时间（最大） 19.02s 答案错误: 14 未遵循指令: 1 无效工具调用: 1 超时: 1 反AI技巧 : 5.3 编程 : 4.3 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 : 3.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#244#244	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
#245#245	Mistral Small 4none	5.1	Mistral	$0.022	1.20s
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 25.8% 不稳定测试 1 输入令牌 104,717 输出令牌 9,812 推理令牌 0 响应时间（平均） 1.20s 响应时间（总计） 26.41s 响应时间（最大） 13.16s 答案错误: 16 未遵循指令: 1 反AI技巧 : 3.4 编程 : 3.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#246#246	Mistral Small 4medium	5.1	Mistral	$0.097	10.80s
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 43.9% 不稳定测试 8 输入令牌 140,559 输出令牌 40,268 推理令牌 93,329 响应时间（平均） 10.80s 响应时间（总计） 237.60s 响应时间（最大） 59.15s 答案错误: 13 未遵循指令: 2 API 错误: 1 无答案: 1 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
#248#248	Qwen3 Coder Nextnone	5.1	Qwen	$0.026 ↑	8.63s
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 25.8% 不稳定测试 1 输入令牌 134,227 输出令牌 11,808 推理令牌 0 响应时间（平均） 8.63s 响应时间（总计） 146.72s 响应时间（最大） 45.14s 答案错误: 14 额外格式: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 3.6 编程 : 4.6 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 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#249#249	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
#253#253	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
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 45.5% 不稳定测试 9 输入令牌 114,527 输出令牌 18,558 推理令牌 129,146 响应时间（平均） 43.25s 响应时间（总计） 908.21s 响应时间（最大） 196.21s 答案错误: 6 未遵循指令: 5 无答案: 2 超时: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 7.9 编程 : 5.7 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#257#257	GPT-4o-mininone	5.0	OpenAI	$0.010	1.92s
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 22.7% 不稳定测试 0 输入令牌 53,145 输出令牌 2,913 推理令牌 0 响应时间（平均） 1.92s 响应时间（总计） 30.71s 响应时间（最大） 7.58s 答案错误: 15 未遵循指令: 1 无答案: 1 反AI技巧 : 4.8 编程 : 3.2 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#261#261	Nemotron 3 Supernone	4.8	NVIDIA	$0.008 ↑	6.04s
查看模型卡片总测试数 22 错误测试数 17 可靠性 9.2 尝试通过率 27.3% 不稳定测试 2 输入令牌 63,528 输出令牌 6,432 推理令牌 0 响应时间（平均） 6.04s 响应时间（总计） 132.96s 响应时间（最大） 20.00s 答案错误: 15 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 6.3 谜题求解 : 5.5 工具调用 : 4.7 常识问答 : 3.0
#264#264	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
#266#266	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
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 39.4% 不稳定测试 8 输入令牌 101,776 输出令牌 276,367 推理令牌 656,252 响应时间（平均） 75.86s 响应时间（总计） 1668.93s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 工具调用 : 10.0 常识问答 : 3.0
#268#268	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
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 36.4% 不稳定测试 7 输入令牌 69,376 输出令牌 97,752 推理令牌 0 响应时间（平均） 12.46s 响应时间（总计） 274.11s 响应时间（最大） 121.05s 答案错误: 13 额外格式: 3 API 错误: 1 反AI技巧 : 5.3 编程 : 3.3 综合 : 3.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.9 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#269#269	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
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 30.3% 不稳定测试 3 输入令牌 101,513 输出令牌 22,992 推理令牌 0 响应时间（平均） 8.81s 响应时间（总计） 140.88s 响应时间（最大） 97.15s 答案错误: 14 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 5.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#278#278	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
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 43.9% 不稳定测试 9 输入令牌 142,621 输出令牌 20,409 推理令牌 251,820 响应时间（平均） 69.08s 响应时间（总计） 1036.24s 响应时间（最大） 251.36s 答案错误: 7 超时: 4 未遵循指令: 3 无答案: 2 无效工具调用: 1 反AI技巧 : 7.9 编程 : 3.4 综合 : 3.7 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#281#281	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
#302#302	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
#270#270	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
#289#289	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
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 22.7% 不稳定测试 2 输入令牌 27,172 输出令牌 2,661 推理令牌 0 响应时间（平均） 12.92s 响应时间（总计） 232.64s 响应时间（最大） 35.84s 答案错误: 8 API 错误: 4 未遵循指令: 4 额外格式: 1 反AI技巧 : 4.8 编程 : 2.7 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#290#290	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 24.2% 不稳定测试 4 输入令牌 36,851 输出令牌 68,882 推理令牌 0 响应时间（平均） 2.76s 响应时间（总计） 46.99s 响应时间（最大） 19.68s 答案错误: 13 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.2 编程 : 4.3 综合 : 1.5 数据解析与提取 : 2.9 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

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

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