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）
#73#73	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 81.2% 不稳定测试 5 输入令牌 345,687 输出令牌 13,550 推理令牌 34,743 响应时间（平均） 10.79s 响应时间（总计） 248.22s 响应时间（最大） 51.53s 答案错误: 5 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 55.1% 不稳定测试 1 输入令牌 396,120 输出令牌 31,386 推理令牌 0 响应时间（平均） 10.78s 响应时间（总计） 247.96s 响应时间（最大） 79.61s 答案错误: 7 额外格式: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.4 反AI技巧 : 5.5 编程 : 5.9 综合 : 8.3 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#311#311	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
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 42.0% 不稳定测试 1 输入令牌 280,126 输出令牌 17,306 推理令牌 0 响应时间（平均） 10.55s 响应时间（总计） 242.57s 响应时间（最大） 75.76s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 3.7 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#91#91	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 76.8% 不稳定测试 4 输入令牌 346,451 输出令牌 10,136 推理令牌 95,504 响应时间（平均） 10.41s 响应时间（总计） 239.38s 响应时间（最大） 52.61s 答案错误: 4 额外格式: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.0 综合 : 10.0 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 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#392#392	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 50.7% 不稳定测试 6 输入令牌 28,927 输出令牌 4,682 推理令牌 17,969 响应时间（平均） 10.33s 响应时间（总计） 175.58s 响应时间（最大） 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 7.3 编程 : 1.0 综合 : 2.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 0.0
#345#345	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.9 尝试通过率 42.0% 不稳定测试 6 输入令牌 61,094 输出令牌 6,532 推理令牌 53,882 响应时间（平均） 10.21s 响应时间（总计） 234.86s 响应时间（最大） 86.23s 答案错误: 7 额外格式: 4 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 7.3 编程 : 3.5 综合 : 6.4 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 : 9.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#373#373	Ling 2.6 Flashdefault	4.5	Inclusionai	$0.002 ↑	10.21s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.6 尝试通过率 29.0% 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） 10.21s 响应时间（总计） 214.31s 响应时间（最大） 36.03s 答案错误: 9 API 错误: 3 无效工具调用: 3 未遵循指令: 2 智能体任务 : 3.0 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
#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
#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
#352#352	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 26.1% 不稳定测试 2 输入令牌 276,608 输出令牌 17,693 推理令牌 16,267 响应时间（平均） 9.88s 响应时间（总计） 227.24s 响应时间（最大） 124.23s 答案错误: 14 额外格式: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#372#372	Owl Alphadefault	4.6	Openrouter	$0.000	9.88s
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 33.3% 不稳定测试 1 输入令牌 42,283 输出令牌 5,913 推理令牌 0 响应时间（平均） 9.88s 响应时间（总计） 207.38s 响应时间（最大） 47.10s 答案错误: 10 未遵循指令: 3 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 3.4 编程 : 5.6 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 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#50#50	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 84.1% 不稳定测试 1 输入令牌 352,845 输出令牌 16,553 推理令牌 7,007 响应时间（平均） 9.87s 响应时间（总计） 226.95s 响应时间（最大） 73.15s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.8 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#346#346	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 63.8% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 5.0 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 0.0
#391#391	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 46.4% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 6.9 编程 : 3.3 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 3.0 常识问答 : 0.0
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 63.8% 不稳定测试 9 输入令牌 277,028 输出令牌 11,965 推理令牌 31,238 响应时间（平均） 9.69s 响应时间（总计） 222.83s 响应时间（最大） 77.99s 答案错误: 10 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.7 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
#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
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 62.3% 不稳定测试 3 输入令牌 212,780 输出令牌 6,849 推理令牌 41,137 响应时间（平均） 9.64s 响应时间（总计） 221.62s 响应时间（最大） 58.09s 答案错误: 9 无效工具调用: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.4 综合 : 10.0 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 63.8% 不稳定测试 5 输入令牌 212,065 输出令牌 4,428 推理令牌 154,069 响应时间（平均） 9.18s 响应时间（总计） 211.12s 响应时间（最大） 44.64s 答案错误: 8 API 错误: 3 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#350#350	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 21 错误测试数 7 可靠性不适用尝试通过率 60.9% 不稳定测试 0 输入令牌 28,848 输出令牌 1,490 推理令牌 10,102 响应时间（平均） 9.05s 响应时间（总计） 90.53s 响应时间（最大） 26.24s API 错误: 4 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.0 综合 : 1.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 59.4% 不稳定测试 5 输入令牌 232,218 输出令牌 4,944 推理令牌 142,263 响应时间（平均） 9.03s 响应时间（总计） 207.67s 响应时间（最大） 36.04s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.8 编程 : 8.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#200#200	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 63.8% 不稳定测试 4 输入令牌 235,086 输出令牌 7,989 推理令牌 0 响应时间（平均） 9.02s 响应时间（总计） 207.45s 响应时间（最大） 57.02s 答案错误: 10 智能体任务 : 5.0 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 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#101#101	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 71.0% 不稳定测试 2 输入令牌 172,507 输出令牌 5,824 推理令牌 27,365 响应时间（平均） 8.93s 响应时间（总计） 205.39s 响应时间（最大） 54.74s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 172,860 输出令牌 5,172 推理令牌 13,179 响应时间（平均） 8.90s 响应时间（总计） 204.78s 响应时间（最大） 51.03s 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 : 4.7
#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

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