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：: 2026-10-19 已评估模型: 451

451/451

排名	模型	分数	公司	总成本	响应时间（平均）
#430#430	d1-ultradefault	2.7	Liquid	$0.003	531ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 20.3% 不稳定测试 1 输入令牌 55,956 输出令牌 0 推理令牌 0 响应时间（平均） 531ms 响应时间（总计） 6.38s 响应时间（最大） 697ms 答案错误: 7 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 5.3 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 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
#431#431	Nemotron 3 Nano Omni 30b A3b Reasoningdefault	2.6	NVIDIA	$0.000	728ms
查看模型卡片总测试数 19 错误测试数 17 可靠性 10.0 尝试通过率 14.5% 不稳定测试 2 输入令牌 11,661 输出令牌 1,302 推理令牌 0 响应时间（平均） 728ms 响应时间（总计） 9.47s 响应时间（最大） 2.21s 答案错误: 9 API 错误: 6 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 3.3 综合 : 1.5 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 4.8 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#432#432	Jev 1.13default	2.6	Typesafe	$0.003	698ms
查看模型卡片总测试数 12 错误测试数 6 可靠性 10.0 尝试通过率 26.1% 不稳定测试 0 输入令牌 67,092 输出令牌 18,927 推理令牌 0 响应时间（平均） 698ms 响应时间（总计） 8.38s 响应时间（最大） 1.08s 答案错误: 6 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.2 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 3.3 工具调用 : 0.0 常识问答 : 0.0
#434#434	Decider V1.1 27Bdefault	2.6	Perplexity	$0.002	320ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 17.4% 不稳定测试 0 输入令牌 73,557 输出令牌 69 推理令牌 0 响应时间（平均） 320ms 响应时间（总计） 3.84s 响应时间（最大） 491ms 答案错误: 8 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 4.9 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 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
#435#435	Drex v1.5default	2.4	Nace AI	$0.002	986ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 17.4% 不稳定测试 0 输入令牌 42,804 输出令牌 27,468 推理令牌 0 响应时间（平均） 986ms 响应时间（总计） 11.84s 响应时间（最大） 1.38s 答案错误: 8 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 4.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 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
#436#436	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
查看模型卡片总测试数 12 错误测试数 9 可靠性 10.0 尝试通过率 13.0% 不稳定测试 0 输入令牌 47,583 输出令牌 0 推理令牌 0 响应时间（平均） 495ms 响应时间（总计） 5.94s 响应时间（最大） 842ms 答案错误: 8 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 2.3 编程 : 2.5 综合 : 0.0 数据解析与提取 : 10.0 领域专项 : 5.3 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
#437#437	Kev 4Bdefault	2.4	Jaredpalmer	$0.002	5.63s
查看模型卡片总测试数 12 错误测试数 9 可靠性 10.0 尝试通过率 15.9% 不稳定测试 1 输入令牌 42,804 输出令牌 28,061 推理令牌 0 响应时间（平均） 5.63s 响应时间（总计） 67.61s 响应时间（最大） 17.79s 答案错误: 9 智能体任务 : 0.0 反AI技巧 : 2.3 编程 : 4.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 2.0 工具调用 : 0.0 常识问答 : 0.0
#438#438	Jev 1.14default	2.3	Typesafe	$0.003	377ms
查看模型卡片总测试数 12 错误测试数 8 可靠性 10.0 尝试通过率 23.2% 不稳定测试 2 输入令牌 67,092 输出令牌 18,927 推理令牌 0 响应时间（平均） 377ms 响应时间（总计） 4.52s 响应时间（最大） 546ms 答案错误: 7 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.7 综合 : 0.0 数据解析与提取 : 7.3 领域专项 : 7.7 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
#440#440	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
查看模型卡片总测试数 12 错误测试数 10 可靠性 10.0 尝试通过率 8.7% 不稳定测试 0 输入令牌 70,125 输出令牌 0 推理令牌 0 响应时间（平均） 880ms 响应时间（总计） 10.56s 响应时间（最大） 1.31s 答案错误: 9 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 3.0 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
#441#441	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
查看模型卡片总测试数 12 错误测试数 9 可靠性 10.0 尝试通过率 13.0% 不稳定测试 0 输入令牌 49,176 输出令牌 69 推理令牌 0 响应时间（平均） 462ms 响应时间（总计） 5.55s 响应时间（最大） 661ms 答案错误: 9 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.2 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 5.3 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
#442#442	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
查看模型卡片总测试数 12 错误测试数 6 可靠性 10.0 尝试通过率 26.1% 不稳定测试 0 输入令牌 1,971 输出令牌 50,509 推理令牌 33,867 响应时间（平均） 39.03s 响应时间（总计） 312.26s 响应时间（最大） 114.12s API 错误: 4 未遵循指令: 1 答案错误: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 1.0 综合 : 1.5 数据解析与提取 : 1.5 领域专项 : 3.3 通用智能 : 4.0 指令遵循 : 5.0 谜题求解 : 0.0 工具调用 : 3.0 常识问答 : 3.0
#443#443	D1default	1.9	Liquid	$0.003	508ms
查看模型卡片总测试数 12 错误测试数 10 可靠性 10.0 尝试通过率 11.6% 不稳定测试 1 输入令牌 55,956 输出令牌 0 推理令牌 0 响应时间（平均） 508ms 响应时间（总计） 6.10s 响应时间（最大） 820ms 答案错误: 10 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.2 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 3.6 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
#444#444	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
#446#446	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
#447#447	Microsoft-Decision-1default	1.4	Microsoft	$0.002	982ms
查看模型卡片总测试数 12 错误测试数 11 可靠性 10.0 尝试通过率 7.3% 不稳定测试 1 输入令牌 41,466 输出令牌 69 推理令牌 0 响应时间（平均） 982ms 响应时间（总计） 11.78s 响应时间（最大） 1.41s 答案错误: 11 智能体任务 : 0.0 反AI技巧 : 4.4 编程 : 2.2 综合 : 0.0 数据解析与提取 : 3.0 领域专项 : 3.0 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
#448#448	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
查看模型卡片总测试数 7 错误测试数 5 可靠性 10.0 尝试通过率 14.5% 不稳定测试 3 输入令牌 47,586 输出令牌 51 推理令牌 0 响应时间（平均） 6.01s 响应时间（总计） 42.05s 响应时间（最大） 13.10s 答案错误: 5 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 : 3.7 领域专项 : 4.3 通用智能 : 0.0 指令遵循 : 5.0 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#449#449	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
#450#450	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
查看模型卡片总测试数 7 错误测试数 6 可靠性 10.0 尝试通过率 4.4% 不稳定测试 0 输入令牌 103,770 输出令牌 0 推理令牌 0 响应时间（平均） 363ms 响应时间（总计） 2.54s 响应时间（最大） 1.24s 答案错误: 5 未遵循指令: 1 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 : 2.0 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
#451#451	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
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 73 输出令牌 6 推理令牌 729 响应时间（平均） 13.58s 响应时间（总计） 13.58s 响应时间（最大） 13.58s 智能体任务 : 0.0 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 : 3.3 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
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.9 尝试通过率 97.1% 不稳定测试 1 输入令牌 167,805 输出令牌 5,651 推理令牌 49,944 响应时间（平均） 20.16s 响应时间（总计） 463.68s 响应时间（最大） 254.93s 答案错误: 1 智能体任务 : 10.0 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 : 7.6 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
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.9 尝试通过率 97.1% 不稳定测试 1 输入令牌 170,731 输出令牌 5,865 推理令牌 84,230 响应时间（平均） 29.67s 响应时间（总计） 682.42s 响应时间（最大） 381.11s 答案错误: 1 智能体任务 : 10.0 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 : 7.6 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
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
查看模型卡片总测试数 23 错误测试数 2 可靠性 9.9 尝试通过率 91.3% 不稳定测试 0 输入令牌 159,023 输出令牌 4,935 推理令牌 6,454 响应时间（平均） 7.01s 响应时间（总计） 161.20s 响应时间（最大） 49.16s 答案错误: 2 智能体任务 : 10.0 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 : 3.0
#17#17	Gemini 4 Argonhigh	9.5	Google	$1.802	19.03s
查看模型卡片总测试数 23 错误测试数 2 可靠性 9.9 尝试通过率 97.1% 不稳定测试 2 输入令牌 240,264 输出令牌 5,707 推理令牌 126,366 响应时间（平均） 19.03s 响应时间（总计） 437.77s 响应时间（最大） 82.53s API 错误: 1 答案错误: 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 : 8.2 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
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
查看模型卡片总测试数 23 错误测试数 3 可靠性 9.9 尝试通过率 91.3% 不稳定测试 2 输入令牌 165,464 输出令牌 5,591 推理令牌 15,454 响应时间（平均） 9.90s 响应时间（总计） 227.67s 响应时间（最大） 73.48s 答案错误: 3 智能体任务 : 10.0 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 : 5.9 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 : 2.8
#54#54	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.9 尝试通过率 76.8% 不稳定测试 3 输入令牌 278,684 输出令牌 10,151 推理令牌 48,907 响应时间（平均） 21.62s 响应时间（总计） 497.25s 响应时间（最大） 119.16s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 9.2 编程 : 10.0 综合 : 8.4 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 8.0 谜题求解 : 10.0 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 3.8 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