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: 305

305/305

排名	模型	分数	公司	总成本	响应时间（平均）
#227#227	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.040 ↓	36.17s
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 240,230 输出令牌 100,726 推理令牌 0 响应时间（平均） 36.17s 响应时间（总计） 795.83s 响应时间（最大） 247.27s 答案错误: 13 额外格式: 2 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.0 编程 : 4.2 综合 : 4.6 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#228#228	Laguna S 2.1medium	5.4	Poolside	$0.053 ↓	58.42s
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 24.2% 不稳定测试 3 输入令牌 86,647 输出令牌 97,298 推理令牌 242,297 响应时间（平均） 58.42s 响应时间（总计） 1285.26s 响应时间（最大） 560.31s 答案错误: 13 无效工具调用: 2 无答案: 2 未遵循指令: 1 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
#233#233	DeepSeek V4 Flash 0731none	5.4	DeepSeek	$0.011 ↓	20.72s
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 94,566 输出令牌 25,426 推理令牌 0 响应时间（平均） 20.72s 响应时间（总计） 455.81s 响应时间（最大） 387.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 2 额外格式: 1 反AI技巧 : 3.4 编程 : 4.3 综合 : 3.7 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 : 5.0 谜题求解 : 3.2 工具调用 : 9.5 常识问答 : 3.0
#234#234	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
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 5 输入令牌 208,937 输出令牌 175,588 推理令牌 409,276 响应时间（平均） 111.60s 响应时间（总计） 2455.24s 响应时间（最大） 1190.11s 答案错误: 11 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 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 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#238#238	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.59s
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 18.2% 不稳定测试 0 输入令牌 106,423 输出令牌 11,555 推理令牌 0 响应时间（平均） 8.59s 响应时间（总计） 163.20s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 3 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.4 编程 : 3.8 综合 : 6.5 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 : 6.4 谜题求解 : 3.1 工具调用 : 3.0 常识问答 : 3.0
#240#240	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.051 ↓	5.57s
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 28.8% 不稳定测试 5 输入令牌 93,990 输出令牌 45,905 推理令牌 0 响应时间（平均） 5.57s 响应时间（总计） 111.32s 响应时间（最大） 39.54s 答案错误: 13 API 错误: 2 未遵循指令: 2 无答案: 1 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
#250#250	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.19s
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 19.7% 不稳定测试 1 输入令牌 144,416 输出令牌 37,484 推理令牌 0 响应时间（平均） 19.19s 响应时间（总计） 422.25s 响应时间（最大） 382.06s 答案错误: 14 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.1 编程 : 3.9 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#252#252	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
#259#259	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
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 30.3% 不稳定测试 5 输入令牌 130,296 输出令牌 82,585 推理令牌 0 响应时间（平均） 3.51s 响应时间（总计） 77.28s 响应时间（最大） 60.70s 答案错误: 16 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.8 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#265#265	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
#275#275	Mercury 2none	4.7	Inception	$0.030	825ms
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 24.2% 不稳定测试 2 输入令牌 89,637 输出令牌 9,584 推理令牌 0 响应时间（平均） 825ms 响应时间（总计） 18.14s 响应时间（最大） 4.52s 答案错误: 17 未遵循指令: 1 反AI技巧 : 3.0 编程 : 3.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#276#276	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
#283#283	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
#295#295	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
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 24.2% 不稳定测试 3 输入令牌 115,314 输出令牌 133,965 推理令牌 816,718 响应时间（平均） 75.68s 响应时间（总计） 1589.20s 响应时间（最大） 345.15s 无答案: 7 答案错误: 6 未遵循指令: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 6.4 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#296#296	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
#299#299	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
#297#297	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
#222#222	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
查看模型卡片总测试数 22 错误测试数 19 可靠性 5.4 尝试通过率 19.7% 不稳定测试 3 输入令牌 45,154 输出令牌 4,022 推理令牌 678,516 响应时间（平均） 214.25s 响应时间（总计） 4713.56s 响应时间（最大） 597.45s API 错误: 14 答案错误: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.0 编程 : 5.2 综合 : 2.9 数据解析与提取 : 8.7 领域专项 : 4.5 通用智能 : 7.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#241#241	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 16.7% 不稳定测试 1 输入令牌 116,155 输出令牌 19,679 推理令牌 0 响应时间（平均） 3.53s 响应时间（总计） 77.68s 响应时间（最大） 24.48s 答案错误: 15 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 4.6 综合 : 3.0 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 : 4.8 谜题求解 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#255#255	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 22.7% 不稳定测试 5 输入令牌 118,752 输出令牌 67,823 推理令牌 383,885 响应时间（平均） 85.34s 响应时间（总计） 1877.49s 响应时间（最大） 814.73s 答案错误: 15 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 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
#262#262	Hy4 previewnone	4.8	Tencent	$0.041	39.24s
查看模型卡片总测试数 22 错误测试数 19 可靠性 4.3 尝试通过率 16.7% 不稳定测试 1 输入令牌 26,376 输出令牌 7,306 推理令牌 0 响应时间（平均） 39.24s 响应时间（总计） 863.30s 响应时间（最大） 95.32s 答案错误: 9 API 错误: 7 未遵循指令: 2 额外格式: 1 反AI技巧 : 3.3 编程 : 3.8 综合 : 3.0 数据解析与提取 : 8.7 领域专项 : 6.8 通用智能 : 5.1 指令遵循 : 7.0 谜题求解 : 4.6 工具调用 : 3.0 常识问答 : 3.0
#277#277	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 25.8% 不稳定测试 4 输入令牌 148,203 输出令牌 19,069 推理令牌 0 响应时间（平均） 9.07s 响应时间（总计） 154.19s 响应时间（最大） 81.80s 答案错误: 14 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 3.5 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 6.3 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#285#285	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
#293#293	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.007 ↕	1.21s
查看模型卡片总测试数 22 错误测试数 19 可靠性 10.0 尝试通过率 16.7% 不稳定测试 2 输入令牌 74,074 输出令牌 2,731 推理令牌 0 响应时间（平均） 1.21s 响应时间（总计） 26.62s 响应时间（最大） 6.30s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 4.8 编程 : 3.1 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 2.8 常识问答 : 3.0
#298#298	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
查看模型卡片总测试数 22 错误测试数 19 可靠性 6.0 尝试通过率 25.8% 不稳定测试 5 输入令牌 17,195 输出令牌 46,735 推理令牌 366,707 响应时间（平均） 107.51s 响应时间（总计） 1720.15s 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 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

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 3.7 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 Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

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