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）
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
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 53.6% 不稳定测试 4 输入令牌 275,080 输出令牌 32,447 推理令牌 372,188 响应时间（平均） 151.67s 响应时间（总计） 3488.43s 响应时间（最大） 941.66s 答案错误: 7 未遵循指令: 2 无答案: 2 超时: 2 智能体任务 : 10.0 反AI技巧 : 8.9 编程 : 7.8 综合 : 10.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#165#165	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
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 47.8% 不稳定测试 2 输入令牌 283,977 输出令牌 36,422 推理令牌 0 响应时间（平均） 9.98s 响应时间（总计） 229.52s 响应时间（最大） 124.53s 答案错误: 11 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 5.8 综合 : 6.4 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 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.5 尝试通过率 52.2% 不稳定测试 4 输入令牌 243,381 输出令牌 1,581,325 推理令牌 0 响应时间（平均） 154.41s 响应时间（总计） 3551.40s 响应时间（最大） 455.72s 无答案: 7 答案错误: 3 API 错误: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 2.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 7.3 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 3.0
#194#194	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
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 46.4% 不稳定测试 2 输入令牌 291,853 输出令牌 24,116 推理令牌 8,327 响应时间（平均） 7.46s 响应时间（总计） 171.47s 响应时间（最大） 46.61s 额外格式: 5 未遵循指令: 5 无效工具调用: 1 无答案: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 3.2 综合 : 7.9 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#216#216	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
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 62.3% 不稳定测试 8 输入令牌 300,394 输出令牌 14,081 推理令牌 500,844 响应时间（平均） 51.80s 响应时间（总计） 1191.42s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 4 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 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 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.9 尝试通过率 55.1% 不稳定测试 5 输入令牌 262,387 输出令牌 7,344 推理令牌 338,881 响应时间（平均） 115.00s 响应时间（总计） 2645.11s 响应时间（最大） 560.39s 答案错误: 8 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
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 53.6% 不稳定测试 5 输入令牌 189,300 输出令牌 10,854 推理令牌 86,089 响应时间（平均） 4.40s 响应时间（总计） 96.81s 响应时间（最大） 34.92s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 智能体任务 : 4.7 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
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 60.9% 不稳定测试 8 输入令牌 292,271 输出令牌 55,025 推理令牌 186,071 响应时间（平均） 125.76s 响应时间（总计） 2137.84s 响应时间（最大） 566.79s 答案错误: 5 超时: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 3.9 反AI技巧 : 7.3 编程 : 6.1 综合 : 6.7 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 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
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 59.4% 不稳定测试 7 输入令牌 255,887 输出令牌 154,879 推理令牌 603,518 响应时间（平均） 70.48s 响应时间（总计） 1620.93s 响应时间（最大） 480.52s 答案错误: 9 无答案: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 5.8 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 8.3 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
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 58.0% 不稳定测试 6 输入令牌 260,850 输出令牌 125,908 推理令牌 516,424 响应时间（平均） 66.13s 响应时间（总计） 1520.96s 响应时间（最大） 417.36s 答案错误: 8 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 7.9 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
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 55.1% 不稳定测试 5 输入令牌 267,840 输出令牌 192,115 推理令牌 0 响应时间（平均） 32.88s 响应时间（总计） 756.28s 响应时间（最大） 197.32s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 5.2 编程 : 5.4 综合 : 3.8 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 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 53.6% 不稳定测试 5 输入令牌 261,842 输出令牌 1,434,621 推理令牌 0 响应时间（平均） 136.10s 响应时间（总计） 3130.27s 响应时间（最大） 438.09s 无答案: 6 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 6.4 编程 : 2.8 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 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
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 50.7% 不稳定测试 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.03s 响应时间（总计） 138.65s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 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
#296#296	Seed 2.1 Turbonone	5.7	Bytedance Seed	$0.182	9.65s
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 52.2% 不稳定测试 3 输入令牌 298,242 输出令牌 13,105 推理令牌 0 响应时间（平均） 9.65s 响应时间（总计） 221.91s 响应时间（最大） 71.45s 答案错误: 12 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 4.5 综合 : 3.8 数据解析与提取 : 7.1 领域专项 : 7.7 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.7 尝试通过率 58.0% 不稳定测试 7 输入令牌 261,256 输出令牌 1,425,268 推理令牌 0 响应时间（平均） 138.27s 响应时间（总计） 3180.10s 响应时间（最大） 436.56s 无答案: 7 API 错误: 2 答案错误: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.4 反AI技巧 : 6.9 编程 : 2.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.5 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#437#437	Solar Decide Flashdefault	1.7	Upstage	$0.003	1.33s
查看模型卡片总测试数 7 错误测试数 4 可靠性 10.0 尝试通过率 13.0% 不稳定测试 0 输入令牌 47,586 输出令牌 51 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 9.32s 响应时间（最大） 1.66s 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 0.8 编程 : 0.0 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 4.4 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#440#440	Tev1 4B Experimentaldefault	1.0	Togethercomputer	$0.002	498ms
查看模型卡片总测试数 7 错误测试数 4 可靠性 10.0 尝试通过率 13.0% 不稳定测试 0 输入令牌 33,864 输出令牌 96 推理令牌 0 响应时间（平均） 498ms 响应时间（总计） 3.49s 响应时间（最大） 602ms 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 2.5 编程 : 0.0 综合 : 0.0 数据解析与提取 : 3.0 领域专项 : 6.7 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#424#424	Decider V1.2default	2.6	Perplexity	$0.001	517ms
查看模型卡片总测试数 12 错误测试数 7 可靠性 9.4 尝试通过率 24.6% 不稳定测试 1 输入令牌 48,363 输出令牌 67 推理令牌 0 响应时间（平均） 517ms 响应时间（总计） 6.20s 响应时间（最大） 776ms 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 5.8 编程 : 4.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
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 40.6% 不稳定测试 1 输入令牌 190,675 输出令牌 5,577 推理令牌 0 响应时间（平均） 8.74s 响应时间（总计） 131.17s 响应时间（最大） 74.80s 答案错误: 13 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 4.0 综合 : 1.5 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#222#222	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
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 40.6% 不稳定测试 1 输入令牌 361,183 输出令牌 26,609 推理令牌 11,139 响应时间（平均） 8.03s 响应时间（总计） 184.80s 响应时间（最大） 51.18s 额外格式: 8 未遵循指令: 3 无效工具调用: 1 无答案: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 3.4 综合 : 8.5 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#228#228	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
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 47.8% 不稳定测试 5 输入令牌 258,956 输出令牌 20,076 推理令牌 0 响应时间（平均） 11.10s 响应时间（总计） 255.39s 响应时间（最大） 107.19s 答案错误: 12 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#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
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
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 55.1% 不稳定测试 8 输入令牌 363,310 输出令牌 381,919 推理令牌 0 响应时间（平均） 60.03s 响应时间（总计） 1380.67s 响应时间（最大） 459.99s 答案错误: 9 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 6.4 编程 : 6.6 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.0 指令遵循 : 5.6 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#277#277	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
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 43.5% 不稳定测试 2 输入令牌 278,866 输出令牌 82,069 推理令牌 0 响应时间（平均） 9.66s 响应时间（总计） 222.07s 响应时间（最大） 106.86s 答案错误: 10 额外格式: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 5.6 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 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