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）
#193#193	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
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 56.5% 不稳定测试 5 输入令牌 202,680 输出令牌 9,230 推理令牌 18,771 响应时间（平均） 6.96s 响应时间（总计） 160.19s 响应时间（最大） 45.74s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 8.5 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#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
#337#337	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.6 尝试通过率 43.5% 不稳定测试 3 输入令牌 51,369 输出令牌 8,008 推理令牌 58,568 响应时间（平均） 8.32s 响应时间（总计） 191.40s 响应时间（最大） 48.19s 答案错误: 10 API 错误: 2 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 3.6 综合 : 6.5 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 : 10.0 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
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 75.4% 不稳定测试 6 输入令牌 278,792 输出令牌 1,695 推理令牌 142,270 响应时间（平均） 24.79s 响应时间（总计） 570.26s 响应时间（最大） 159.62s 答案错误: 6 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#94#94	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
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 73.9% 不稳定测试 3 输入令牌 203,193 输出令牌 5,751 推理令牌 47,410 响应时间（平均） 18.07s 响应时间（总计） 415.53s 响应时间（最大） 66.44s 答案错误: 7 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#335#335	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
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 24.6% 不稳定测试 1 输入令牌 265,602 输出令牌 10,913 推理令牌 0 响应时间（平均） 3.12s 响应时间（总计） 71.87s 响应时间（最大） 45.46s 答案错误: 17 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 3.4 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#387#387	GLM 5 Turbonone	4.2	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 29.0% 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 智能体任务 : 0.0 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
#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
#371#371	Mimo V2 PROdefault	4.6	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 37.7% 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 智能体任务 : 0.0 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
#112#112	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
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 79.7% 不稳定测试 6 输入令牌 342,163 输出令牌 1,518 推理令牌 133,777 响应时间（平均） 23.66s 响应时间（总计） 544.16s 响应时间（最大） 166.72s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#361#361	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
查看模型卡片总测试数 23 错误测试数 21 可靠性 10.0 尝试通过率 14.5% 不稳定测试 3 输入令牌 287,445 输出令牌 99,097 推理令牌 0 响应时间（平均） 17.65s 响应时间（总计） 406.05s 响应时间（最大） 200.52s 答案错误: 18 未遵循指令: 2 无答案: 1 智能体任务 : 5.4 反AI技巧 : 3.1 编程 : 3.4 综合 : 2.9 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 : 4.3 谜题求解 : 3.1 工具调用 : 4.7 常识问答 : 3.0
#225#225	Mercury 2.5high	6.5	Inception	$0.044	7.62s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.8 尝试通过率 59.4% 不稳定测试 4 输入令牌 358,562 输出令牌 4,266 推理令牌 189,410 响应时间（平均） 7.62s 响应时间（总计） 175.36s 响应时间（最大） 80.30s 答案错误: 9 API 错误: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.4 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 6.5 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#333#333	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 59.4% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.1 编程 : 6.0 综合 : 4.9 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 47.8% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 7 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#322#322	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 34.8% 不稳定测试 3 输入令牌 230,744 输出令牌 8,000 推理令牌 0 响应时间（平均） 3.78s 响应时间（总计） 86.83s 响应时间（最大） 53.77s 答案错误: 15 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 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
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.8 尝试通过率 18.8% 不稳定测试 1 输入令牌 307,670 输出令牌 70,427 推理令牌 0 响应时间（平均） 37.19s 响应时间（总计） 855.27s 响应时间（最大） 433.02s 答案错误: 15 未遵循指令: 2 无效工具调用: 2 智能体任务 : 3.9 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
#305#305	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.7 尝试通过率 43.5% 不稳定测试 4 输入令牌 251,253 输出令牌 3,892 推理令牌 0 响应时间（平均） 46.97s 响应时间（总计） 1080.29s 响应时间（最大） 872.07s 答案错误: 11 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 : 6.5 编程 : 3.6 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 : 10.0 谜题求解 : 4.6 工具调用 : 10.0 常识问答 : 3.0
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 65.2% 不稳定测试 6 输入令牌 298,512 输出令牌 3,178 推理令牌 177,419 响应时间（平均） 7.61s 响应时间（总计） 175.08s 响应时间（最大） 86.84s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#199#199	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
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 66.7% 不稳定测试 1 输入令牌 397,291 输出令牌 6,355 推理令牌 143,752 响应时间（平均） 6.66s 响应时间（总计） 153.29s 响应时间（最大） 74.63s 答案错误: 4 API 错误: 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 : 10.0 编程 : 7.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#213#213	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
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 58.0% 不稳定测试 4 输入令牌 255,173 输出令牌 9,891 推理令牌 17,277 响应时间（平均） 11.82s 响应时间（总计） 271.92s 响应时间（最大） 90.45s 答案错误: 8 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.4 综合 : 3.8 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.1 尝试通过率 15.9% 不稳定测试 2 输入令牌 226,872 输出令牌 133,268 推理令牌 0 响应时间（平均） 84.66s 响应时间（总计） 1947.17s 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 无效工具调用: 1 智能体任务 : 5.0 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
#323#323	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.2 尝试通过率 33.3% 不稳定测试 1 输入令牌 332,917 输出令牌 18,989 推理令牌 42,362 响应时间（平均） 58.20s 响应时间（总计） 1338.65s 响应时间（最大） 566.80s 答案错误: 11 超时: 3 未遵循指令: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 5 输入令牌 317,982 输出令牌 3,918 推理令牌 135,028 响应时间（平均） 7.74s 响应时间（总计） 178.07s 响应时间（最大） 107.89s 答案错误: 9 API 错误: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 23.2% 不稳定测试 2 输入令牌 100,634 输出令牌 9,609 推理令牌 100 响应时间（平均） 1.18s 响应时间（总计） 27.14s 响应时间（最大） 9.00s 答案错误: 17 未遵循指令: 2 智能体任务 : 3.0 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
#394#394	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 43.5% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 智能体任务 : 0.0 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 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