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）
#229#229	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
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 60.9% 不稳定测试 6 输入令牌 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 21.21s 响应时间（总计） 487.83s 响应时间（最大） 199.97s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#238#238	Beam 1.0 501B A23Blow	6.4	Reflection	$0.432	4.89s
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 60.9% 不稳定测试 6 输入令牌 218,076 输出令牌 4,863 推理令牌 66,387 响应时间（平均） 4.89s 响应时间（总计） 112.55s 响应时间（最大） 29.49s 答案错误: 6 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 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 : 8.4 谜题求解 : 6.1 工具调用 : 3.0 常识问答 : 3.0
#241#241	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
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 7 输入令牌 253,462 输出令牌 40,269 推理令牌 185,716 响应时间（平均） 56.72s 响应时间（总计） 1304.54s 响应时间（最大） 333.34s 答案错误: 4 额外格式: 3 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 : 4.7 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
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 7 输入令牌 378,048 输出令牌 56,477 推理令牌 865,151 响应时间（平均） 111.54s 响应时间（总计） 2565.38s 响应时间（最大） 950.25s 无答案: 3 超时: 3 答案错误: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 7.4 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#250#250	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
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 60.9% 不稳定测试 6 输入令牌 209,002 输出令牌 24,675 推理令牌 377,528 响应时间（平均） 128.91s 响应时间（总计） 2965.04s 响应时间（最大） 491.07s 答案错误: 6 未遵循指令: 3 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 2.8 反AI技巧 : 8.7 编程 : 5.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 7.9 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#251#251	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
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 52.2% 不稳定测试 3 输入令牌 346,064 输出令牌 53,060 推理令牌 0 响应时间（平均） 20.07s 响应时间（总计） 341.27s 响应时间（最大） 183.50s 答案错误: 11 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 4.8 编程 : 4.3 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 7.7 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
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
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 58.0% 不稳定测试 5 输入令牌 392,127 输出令牌 7,754 推理令牌 294,333 响应时间（平均） 36.73s 响应时间（总计） 844.68s 响应时间（最大） 199.66s 答案错误: 7 额外格式: 2 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 23.94s 响应时间（总计） 550.52s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
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 55.1% 不稳定测试 3 输入令牌 209,116 输出令牌 10,031 推理令牌 16,042 响应时间（平均） 11.40s 响应时间（总计） 262.14s 响应时间（最大） 34.77s 额外格式: 4 答案错误: 4 未遵循指令: 3 API 错误: 1 智能体任务 : 2.8 反AI技巧 : 6.5 编程 : 3.4 综合 : 10.0 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 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
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 59.4% 不稳定测试 5 输入令牌 232,218 输出令牌 4,944 推理令牌 142,263 响应时间（平均） 9.03s 响应时间（总计） 207.67s 响应时间（最大） 36.04s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.8 编程 : 8.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
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 6 输入令牌 321,894 输出令牌 139,334 推理令牌 369,481 响应时间（平均） 33.68s 响应时间（总计） 774.73s 响应时间（最大） 163.05s 答案错误: 9 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.7 编程 : 5.1 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
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 68.1% 不稳定测试 8 输入令牌 98,508 输出令牌 8,088 推理令牌 131,484 响应时间（平均） 24.96s 响应时间（总计） 574.12s 响应时间（最大） 335.41s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.1 综合 : 4.1 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.9 尝试通过率 68.1% 不稳定测试 9 输入令牌 293,112 输出令牌 152,376 推理令牌 357,890 响应时间（平均） 32.68s 响应时间（总计） 751.72s 响应时间（最大） 115.57s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 4.3 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.1 指令遵循 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#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
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
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 56.5% 不稳定测试 3 输入令牌 113,613 输出令牌 122,706 推理令牌 42,325 响应时间（平均） 65.52s 响应时间（总计） 1376.01s 响应时间（最大） 304.19s 答案错误: 6 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 5.3 综合 : 7.3 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 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#355#355	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 50.7% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.3 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 47.8% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 7 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#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
#393#393	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
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 50.7% 不稳定测试 6 输入令牌 42,845 输出令牌 2,006 推理令牌 96,334 响应时间（平均） 23.85s 响应时间（总计） 286.16s 响应时间（最大） 121.79s 未遵循指令: 4 答案错误: 4 无答案: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 0.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 2.8 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
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 49.3% 不稳定测试 3 输入令牌 139,086 输出令牌 193,584 推理令牌 413,546 响应时间（平均） 190.48s 响应时间（总计） 3238.23s 响应时间（最大） 1597.85s 答案错误: 6 未遵循指令: 3 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 2.4 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.5 指令遵循 : 8.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#391#391	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 46.4% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 6.9 编程 : 3.3 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 3.0 常识问答 : 0.0
#392#392	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 50.7% 不稳定测试 6 输入令牌 28,927 输出令牌 4,682 推理令牌 17,969 响应时间（平均） 10.33s 响应时间（总计） 175.58s 响应时间（最大） 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 7.3 编程 : 1.0 综合 : 2.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 0.0
#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

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