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：: 2026-09-04 已评估模型: 316

316/316

排名	模型	分数	公司	总成本	响应时间（平均）
#181#181	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 69.7% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 2.3 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#231#231	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.65s
查看模型卡片总测试数 22 错误测试数 14 可靠性 9.6 尝试通过率 45.5% 不稳定测试 3 输入令牌 51,369 输出令牌 8,008 推理令牌 58,568 响应时间（平均） 8.65s 响应时间（总计） 190.35s 响应时间（最大） 48.19s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 8.7 编程 : 3.6 综合 : 6.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#271#271	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
查看模型卡片总测试数 22 错误测试数 16 可靠性 9.6 尝试通过率 30.3% 不稳定测试 2 输入令牌 114,384 输出令牌 14,903 推理令牌 0 响应时间（平均） 10.71s 响应时间（总计） 214.28s 响应时间（最大） 36.03s 答案错误: 9 无效工具调用: 3 API 错误: 2 未遵循指令: 2 反AI技巧 : 6.8 编程 : 5.3 综合 : 3.0 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 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#307#307	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.6 尝试通过率 19.7% 不稳定测试 1 输入令牌 99,662 输出令牌 146,555 推理令牌 732,977 响应时间（平均） 66.16s 响应时间（总计） 1389.33s 响应时间（最大） 252.08s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 6.6 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#310#310	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.6 尝试通过率 24.2% 不稳定测试 3 输入令牌 103,898 输出令牌 148,304 推理令牌 774,972 响应时间（平均） 68.08s 响应时间（总计） 1429.66s 响应时间（最大） 262.20s 无答案: 7 答案错误: 5 未遵循指令: 4 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.7 领域专项 : 3.0 通用智能 : 3.8 指令遵循 : 6.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#3🥉 #3	GPT-6 Astramax	9.9	OpenAI	$3.803	61.27s
查看模型卡片总测试数 22 错误测试数 1 可靠性 9.5 尝试通过率 95.5% 不稳定测试 0 输入令牌 79,058 输出令牌 4,853 推理令牌 55,377 响应时间（平均） 61.27s 响应时间（总计） 1347.96s 响应时间（最大） 960.01s 超时: 1 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 : 10.0
#78#78	GLM 5.2medium	7.8	Z.ai	$0.224 ↓	23.28s
查看模型卡片总测试数 21 错误测试数 6 可靠性 9.5 尝试通过率 80.3% 不稳定测试 4 输入令牌 37,199 输出令牌 12,261 推理令牌 49,500 响应时间（平均） 23.28s 响应时间（总计） 488.94s 响应时间（最大） 101.36s 答案错误: 3 无答案: 2 超时: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#61#61	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.4 尝试通过率 72.7% 不稳定测试 2 输入令牌 113,279 输出令牌 121,045 推理令牌 374,496 响应时间（平均） 118.97s 响应时间（总计） 2617.41s 响应时间（最大） 534.21s 答案错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#110#110	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.4 尝试通过率 74.2% 不稳定测试 4 输入令牌 108,931 输出令牌 112,801 推理令牌 343,227 响应时间（平均） 120.59s 响应时间（总计） 2653.05s 响应时间（最大） 532.28s 答案错误: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#272#272	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
#217#217	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
查看模型卡片总测试数 22 错误测试数 14 可靠性 9.1 尝试通过率 40.9% 不稳定测试 3 输入令牌 81,438 输出令牌 17,674 推理令牌 97,900 响应时间（平均） 52.31s 响应时间（总计） 1046.21s 响应时间（最大） 431.98s 答案错误: 5 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 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
#71#71	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 34,960 输出令牌 2,887 推理令牌 221,241 响应时间（平均） 142.84s 响应时间（总计） 2714.02s 响应时间（最大） 766.58s API 错误: 2 无答案: 2 额外格式: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#258#258	Granite 4.2 8Blow	5.1	IBM Granite	$0.012	54.36s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.0 尝试通过率 31.8% 不稳定测试 0 输入令牌 74,721 输出令牌 9,205 推理令牌 18,723 响应时间（平均） 54.36s 响应时间（总计） 1195.97s 响应时间（最大） 566.80s 答案错误: 10 超时: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#138#138	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.116	93.10s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.7 尝试通过率 57.6% 不稳定测试 3 输入令牌 125,704 输出令牌 10,781 推理令牌 247,541 响应时间（平均） 93.10s 响应时间（总计） 1768.91s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#254#254	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
查看模型卡片总测试数 22 错误测试数 15 可靠性 8.7 尝试通过率 34.9% 不稳定测试 1 输入令牌 52,909 输出令牌 7,058 推理令牌 12,272 响应时间（平均） 45.97s 响应时间（总计） 1011.42s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.4 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#263#263	North Mini Codenone	5.1	Cohere	$0.000	29.95s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.7 尝试通过率 18.2% 不稳定测试 0 输入令牌 130,501 输出令牌 26,786 推理令牌 0 响应时间（平均） 29.95s 响应时间（总计） 658.83s 响应时间（最大） 159.85s 答案错误: 12 额外格式: 2 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#143#143	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.6 尝试通过率 63.6% 不稳定测试 5 输入令牌 81,970 输出令牌 7,186 推理令牌 403,389 响应时间（平均） 124.18s 响应时间（总计） 2732.03s 响应时间（最大） 675.30s API 错误: 5 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.3 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#248#248	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
查看模型卡片总测试数 22 错误测试数 16 可靠性 8.6 尝试通过率 36.4% 不稳定测试 5 输入令牌 159,749 输出令牌 23,433 推理令牌 0 响应时间（平均） 14.67s 响应时间（总计） 322.71s 响应时间（最大） 132.84s 答案错误: 11 额外格式: 2 未遵循指令: 2 无答案: 1 反AI技巧 : 3.0 编程 : 3.6 综合 : 3.0 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#294#294	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.6 尝试通过率 31.8% 不稳定测试 8 输入令牌 79,104 输出令牌 42,254 推理令牌 377,280 响应时间（平均） 134.34s 响应时间（总计） 2015.13s 响应时间（最大） 1539.97s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#296#296	Granite 4.2 8Bnone	4.3	IBM Granite	$0.026	86.27s
查看模型卡片总测试数 22 错误测试数 19 可靠性 8.6 尝试通过率 16.7% 不稳定测试 2 输入令牌 57,786 输出令牌 130,805 推理令牌 0 响应时间（平均） 86.27s 响应时间（总计） 1897.96s 响应时间（最大） 747.17s 答案错误: 11 额外格式: 4 超时: 3 未遵循指令: 1 反AI技巧 : 4.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#86#86	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
查看模型卡片总测试数 22 错误测试数 9 可靠性 8.5 尝试通过率 77.3% 不稳定测试 6 输入令牌 85,657 输出令牌 8,142 推理令牌 233,167 响应时间（平均） 72.24s 响应时间（总计） 1589.31s 响应时间（最大） 485.92s 答案错误: 6 API 错误: 2 未遵循指令: 1 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#216#216	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
查看模型卡片总测试数 22 错误测试数 14 可靠性 8.5 尝试通过率 43.9% 不稳定测试 4 输入令牌 81,742 输出令牌 423,884 推理令牌 1,340,907 响应时间（平均） 141.99s 响应时间（总计） 3123.87s 响应时间（最大） 786.72s 答案错误: 9 额外格式: 2 API 错误: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.4 编程 : 4.5 综合 : 2.9 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 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#134#134	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
查看模型卡片总测试数 22 错误测试数 10 可靠性 8.1 尝试通过率 65.2% 不稳定测试 4 输入令牌 82,592 输出令牌 16,089 推理令牌 199,800 响应时间（平均） 58.80s 响应时间（总计） 1234.72s 响应时间（最大） 308.75s 答案错误: 4 无答案: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.8 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#287#287	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
查看模型卡片总测试数 22 错误测试数 18 可靠性 7.6 尝试通过率 39.4% 不稳定测试 10 输入令牌 43,278 输出令牌 181,083 推理令牌 431,132 响应时间（平均） 235.89s 响应时间（总计） 5189.64s 响应时间（最大） 685.87s 超时: 10 答案错误: 6 无效工具调用: 1 无答案: 1 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
#147#147	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
查看模型卡片总测试数 22 错误测试数 12 可靠性 7.3 尝试通过率 63.6% 不稳定测试 7 输入令牌 76,036 输出令牌 7,267 推理令牌 364,176 响应时间（平均） 101.05s 响应时间（总计） 2223.19s 响应时间（最大） 626.58s API 错误: 6 答案错误: 4 额外格式: 1 未遵循指令: 1 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium

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