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）
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
查看模型卡片总测试数 23 错误测试数 19 可靠性 8.2 尝试通过率 37.7% 不稳定测试 10 输入令牌 282,658 输出令牌 198,563 推理令牌 462,804 响应时间（平均） 235.35s 响应时间（总计） 5413.09s 响应时间（最大） 685.87s 超时: 10 答案错误: 7 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 3.8 综合 : 5.0 数据解析与提取 : 3.8 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 6.4 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 23.2% 不稳定测试 6 输入令牌 232,641 输出令牌 69,335 推理令牌 426,182 响应时间（平均） 88.24s 响应时间（总计） 2029.57s 响应时间（最大） 814.73s 答案错误: 16 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
查看模型卡片总测试数 23 错误测试数 20 可靠性 8.7 尝试通过率 26.1% 不稳定测试 6 输入令牌 387,323 输出令牌 48,562 推理令牌 410,431 响应时间（平均） 110.18s 响应时间（总计） 1873.00s 响应时间（最大） 569.97s 超时: 11 无答案: 3 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 5.1 编程 : 2.9 综合 : 3.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 2.8 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#435#435	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
查看模型卡片总测试数 1 错误测试数 0 可靠性 10.0 尝试通过率 4.4% 不稳定测试 0 输入令牌 134,050 输出令牌 1,029 推理令牌 11,528 响应时间（平均） 52.45s 响应时间（总计） 52.45s 响应时间（最大） 52.45s 智能体任务 : 10.0 反AI技巧 : 0.0 编程 : 0.0 综合 : 0.0 数据解析与提取 : 0.0 领域专项 : 0.0 通用智能 : 0.0 指令遵循 : 0.0 谜题求解 : 0.0 工具调用 : 0.0 常识问答 : 0.0
#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
#327#327	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 29.0% 不稳定测试 6 输入令牌 272,479 输出令牌 40,677 推理令牌 23,104 响应时间（平均） 8.43s 响应时间（总计） 176.93s 响应时间（最大） 65.61s 答案错误: 13 API 错误: 2 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.2 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#244#244	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 42.0% 不稳定测试 3 输入令牌 276,199 输出令牌 17,473 推理令牌 0 响应时间（平均） 8.50s 响应时间（总计） 195.60s 响应时间（最大） 81.77s 答案错误: 13 额外格式: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 5.5 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 : 6.5 谜题求解 : 4.0 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
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
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 71.0% 不稳定测试 1 输入令牌 224,367 输出令牌 27,095 推理令牌 242,256 响应时间（平均） 105.03s 响应时间（总计） 2310.63s 响应时间（最大） 912.19s 无答案: 2 超时: 2 答案错误: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 2.9 综合 : 6.3 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 7 输入令牌 384,974 输出令牌 13,946 推理令牌 371,916 响应时间（平均） 145.21s 响应时间（总计） 3339.87s 响应时间（最大） 640.89s 答案错误: 7 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.3 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 : 8.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 60.9% 不稳定测试 5 输入令牌 299,558 输出令牌 33,248 推理令牌 374,819 响应时间（平均） 133.93s 响应时间（总计） 3080.36s 响应时间（最大） 519.91s 答案错误: 6 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 4.7 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
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 24.6% 不稳定测试 4 输入令牌 230,291 输出令牌 99,030 推理令牌 287,794 响应时间（平均） 63.06s 响应时间（总计） 1450.31s 响应时间（最大） 560.31s 答案错误: 14 无效工具调用: 2 无答案: 2 未遵循指令: 1 智能体任务 : 3.4 反AI技巧 : 3.4 编程 : 5.3 综合 : 3.2 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 : 4.2 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 55.1% 不稳定测试 1 输入令牌 261,962 输出令牌 12,799 推理令牌 2,961 响应时间（平均） 3.60s 响应时间（总计） 82.91s 响应时间（最大） 48.59s 答案错误: 8 未遵循指令: 2 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 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 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 37.7% 不稳定测试 2 输入令牌 463,872 输出令牌 219,122 推理令牌 0 响应时间（平均） 26.52s 响应时间（总计） 609.94s 响应时间（最大） 480.96s 答案错误: 14 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 3.5 编程 : 5.5 综合 : 2.9 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 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
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 68.1% 不稳定测试 1 输入令牌 315,290 输出令牌 1,607 推理令牌 207,536 响应时间（平均） 46.60s 响应时间（总计） 1071.83s 响应时间（最大） 376.04s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 7.7 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 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#52#52	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 82.6% 不稳定测试 3 输入令牌 255,743 输出令牌 8,684 推理令牌 207,435 响应时间（平均） 54.04s 响应时间（总计） 1242.97s 响应时间（最大） 333.47s 答案错误: 2 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 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#91#91	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
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 76.8% 不稳定测试 4 输入令牌 346,451 输出令牌 10,136 推理令牌 95,504 响应时间（平均） 10.41s 响应时间（总计） 239.38s 响应时间（最大） 52.61s 答案错误: 4 额外格式: 2 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 : 6.0 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 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#402#402	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
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 29.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 1.8 综合 : 1.5 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 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#231#231	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 46.4% 不稳定测试 3 输入令牌 352,516 输出令牌 33,786 推理令牌 504,506 响应时间（平均） 48.97s 响应时间（总计） 1126.35s 响应时间（最大） 422.72s 答案错误: 10 无效工具调用: 2 无答案: 2 智能体任务 : 6.1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 5.3 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
#306#306	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.5 尝试通过率 42.0% 不稳定测试 4 输入令牌 229,346 输出令牌 18,597 推理令牌 129,338 响应时间（平均） 56.40s 响应时间（总计） 1184.46s 响应时间（最大） 431.98s 答案错误: 6 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#280#280	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
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 3 输入令牌 238,785 输出令牌 12,875 推理令牌 0 响应时间（平均） 3.95s 响应时间（总计） 90.76s 响应时间（最大） 50.03s 答案错误: 9 未遵循指令: 3 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 117,966 输出令牌 5,149 推理令牌 23,514 响应时间（平均） 89.96s 响应时间（总计） 2069.01s 响应时间（最大） 156.00s API 错误: 22 答案错误: 1 智能体任务 : 3.9 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 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
#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

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