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: 311

311/311

排名	模型	分数	公司	总成本	响应时间（平均）
#131#131	Mercury 2medium	7.0	Inception	$0.094	2.95s
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 53.0% 不稳定测试 4 输入令牌 110,515 输出令牌 10,325 推理令牌 77,229 响应时间（平均） 2.95s 响应时间（总计） 61.89s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#287#287	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
#257#257	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 30.3% 不稳定测试 2 输入令牌 32,525 输出令牌 1,815 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 59.29s 响应时间（最大） 8.21s 答案错误: 13 未遵循指令: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#148#148	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.82s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 65.2% 不稳定测试 3 输入令牌 104,217 输出令牌 10,710 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 45.05s 响应时间（最大） 21.19s 答案错误: 8 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#296#296	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
#153#153	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 60.6% 不稳定测试 1 输入令牌 100,762 输出令牌 16,454 推理令牌 0 响应时间（平均） 2.65s 响应时间（总计） 58.21s 响应时间（最大） 25.26s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 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 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#271#271	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
查看模型卡片总测试数 22 错误测试数 18 可靠性 10.0 尝试通过率 27.3% 不稳定测试 4 输入令牌 115,933 输出令牌 13,794 推理令牌 0 响应时间（平均） 2.56s 响应时间（总计） 56.37s 响应时间（最大） 25.50s 答案错误: 15 未遵循指令: 2 无答案: 1 反AI技巧 : 3.5 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#157#157	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 69.7% 不稳定测试 6 输入令牌 139,165 输出令牌 12,899 推理令牌 25,511 响应时间（平均） 2.56s 响应时间（总计） 56.32s 响应时间（最大） 15.14s 答案错误: 8 未遵循指令: 1 无答案: 1 反AI技巧 : 9.0 编程 : 4.3 综合 : 3.8 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 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 4.7
#232#232	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 37.9% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 4.4 综合 : 1.5 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 : 6.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#130#130	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 59.1% 不稳定测试 2 输入令牌 79,294 输出令牌 4,915 推理令牌 0 响应时间（平均） 2.35s 响应时间（总计） 51.78s 响应时间（最大） 12.24s 答案错误: 10 反AI技巧 : 6.9 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 : 10.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#224#224	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 39.4% 不稳定测试 3 输入令牌 39,344 输出令牌 2,352 推理令牌 0 响应时间（平均） 2.27s 响应时间（总计） 45.50s 响应时间（最大） 6.58s 答案错误: 11 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.5 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#127#127	GPT-5.6 Solnone	7.0	OpenAI	$0.201 ↓	2.17s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 63.6% 不稳定测试 3 输入令牌 78,602 输出令牌 4,357 推理令牌 0 响应时间（平均） 2.17s 响应时间（总计） 47.66s 响应时间（最大） 12.81s 答案错误: 9 未遵循指令: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#209#209	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 34.9% 不稳定测试 2 输入令牌 108,641 输出令牌 8,339 推理令牌 0 响应时间（平均） 2.08s 响应时间（总计） 45.75s 响应时间（最大） 15.63s 答案错误: 14 未遵循指令: 1 反AI技巧 : 3.2 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 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#214#214	Inkling Smalllow	5.7	Thinkingmachines	$0.055 ↓	2.07s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 50.0% 不稳定测试 4 输入令牌 81,447 输出令牌 2,715 推理令牌 11,971 响应时间（平均） 2.07s 响应时间（总计） 45.64s 响应时间（最大） 5.82s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 9.2 编程 : 4.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#263#263	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
#182#182	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.85s
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 51.5% 不稳定测试 3 输入令牌 119,076 输出令牌 11,118 推理令牌 0 响应时间（平均） 1.85s 响应时间（总计） 40.74s 响应时间（最大） 12.97s 答案错误: 8 未遵循指令: 3 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 : 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
#186#186	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 50.0% 不稳定测试 4 输入令牌 118,059 输出令牌 10,723 推理令牌 0 响应时间（平均） 1.75s 响应时间（总计） 38.42s 响应时间（最大） 16.25s 答案错误: 11 未遵循指令: 1 无答案: 1 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 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#197#197	GPT-5.6 Terranone	6.0	OpenAI	$0.280 ↓	1.66s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 42.4% 不稳定测试 3 输入令牌 102,268 输出令牌 6,221 推理令牌 0 响应时间（平均） 1.66s 响应时间（总计） 36.54s 响应时间（最大） 10.07s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 4.8 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 : 5.0 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 9.6 常识问答 : 3.0
#303#303	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
查看模型卡片总测试数 19 错误测试数 16 可靠性 10.0 尝试通过率 19.7% 不稳定测试 3 输入令牌 36,608 输出令牌 1,723 推理令牌 0 响应时间（平均） 1.62s 响应时间（总计） 19.48s 响应时间（最大） 5.51s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.2 编程 : 1.8 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.4 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 2.8 常识问答 : 3.0
#207#207	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.58s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 31.8% 不稳定测试 2 输入令牌 79,076 输出令牌 7,898 推理令牌 0 响应时间（平均） 1.58s 响应时间（总计） 34.86s 响应时间（最大） 9.92s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.1 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#168#168	Gemini 3.1 Flash Lite Previewnone	6.4	Google	$0.052	1.56s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 57.6% 不稳定测试 1 输入令牌 120,955 输出令牌 14,161 推理令牌 0 响应时间（平均） 1.56s 响应时间（总计） 34.32s 响应时间（最大） 9.27s 答案错误: 7 未遵循指令: 2 无答案: 1 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
#242#242	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
#241#241	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	GPT-5.6 Lunanone	5.4	OpenAI	$0.029 ↓	1.50s
查看模型卡片总测试数 22 错误测试数 16 可靠性 10.0 尝试通过率 36.4% 不稳定测试 3 输入令牌 101,332 输出令牌 6,709 推理令牌 0 响应时间（平均） 1.50s 响应时间（总计） 33.05s 响应时间（最大） 10.57s 答案错误: 14 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.8 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 7.1 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#298#298	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
查看模型卡片总测试数 22 错误测试数 20 可靠性 10.0 尝试通过率 9.1% 不稳定测试 0 输入令牌 113,836 输出令牌 5,996 推理令牌 0 响应时间（平均） 1.44s 响应时间（总计） 31.75s 响应时间（最大） 16.67s 答案错误: 13 未遵循指令: 4 无效工具调用: 2 额外格式: 1 反AI技巧 : 4.9 编程 : 4.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 3.6 谜题求解 : 3.2 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 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

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