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）
#304#304	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.7 尝试通过率 31.9% 不稳定测试 2 输入令牌 257,872 输出令牌 54,388 推理令牌 0 响应时间（平均） 20.43s 响应时间（总计） 469.88s 响应时间（最大） 192.80s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 3.6 编程 : 4.7 综合 : 3.0 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 : 6.5 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#311#311	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
#314#314	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
#343#343	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.7 尝试通过率 42.0% 不稳定测试 8 输入令牌 321,955 输出令牌 41,555 推理令牌 94,946 响应时间（平均） 12.68s 响应时间（总计） 291.66s 响应时间（最大） 59.15s 答案错误: 14 未遵循指令: 2 API 错误: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 5.6 编程 : 4.4 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 : 7.3 谜题求解 : 3.4 工具调用 : 10.0 常识问答 : 3.0
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.6 尝试通过率 95.7% 不稳定测试 0 输入令牌 181,223 输出令牌 5,707 推理令牌 58,909 响应时间（平均） 61.63s 响应时间（总计） 1417.51s 响应时间（最大） 960.01s 超时: 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 : 7.7 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 : 10.0
#45#45	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 81.2% 不稳定测试 5 输入令牌 271,242 输出令牌 11,803 推理令牌 397,838 响应时间（平均） 92.38s 响应时间（总计） 2124.67s 响应时间（最大） 482.30s API 错误: 2 答案错误: 2 额外格式: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 10.0 综合 : 10.0 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#64#64	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 280,643 输出令牌 7,342 推理令牌 437,323 响应时间（平均） 32.88s 响应时间（总计） 756.34s 响应时间（最大） 276.31s 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#83#83	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 313,881 输出令牌 123,706 推理令牌 388,328 响应时间（平均） 120.40s 响应时间（总计） 2769.16s 响应时间（最大） 534.21s 答案错误: 5 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#97#97	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 71.0% 不稳定测试 3 输入令牌 369,495 输出令牌 172,852 推理令牌 476,002 响应时间（平均） 88.74s 响应时间（总计） 2041.10s 响应时间（最大） 567.88s 无答案: 4 答案错误: 3 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 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#102#102	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.6 尝试通过率 81.2% 不稳定测试 4 输入令牌 227,164 输出令牌 20,029 推理令牌 60,991 响应时间（平均） 26.88s 响应时间（总计） 591.34s 响应时间（最大） 102.40s 答案错误: 3 无答案: 2 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#109#109	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 73.9% 不稳定测试 4 输入令牌 266,849 输出令牌 8,284 推理令牌 363,263 响应时间（平均） 28.04s 响应时间（总计） 645.03s 响应时间（最大） 149.84s 答案错误: 7 API 错误: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#122#122	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 75.4% 不稳定测试 4 输入令牌 295,642 输出令牌 115,041 推理令牌 353,398 响应时间（平均） 120.88s 响应时间（总计） 2780.16s 响应时间（最大） 532.28s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#212#212	Grok 4.7high	6.7	X AI	$3.037	122.19s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.6 尝试通过率 72.5% 不稳定测试 7 输入令牌 329,276 输出令牌 8,172 推理令牌 479,012 响应时间（平均） 122.19s 响应时间（总计） 2810.40s 响应时间（最大） 573.57s 无答案: 3 未遵循指令: 2 无效工具调用: 2 答案错误: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.0 综合 : 8.6 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#244#244	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
#279#279	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
#339#339	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.6 尝试通过率 47.8% 不稳定测试 12 输入令牌 170,517 输出令牌 149,968 推理令牌 509,725 响应时间（平均） 77.08s 响应时间（总计） 1772.78s 响应时间（最大） 490.99s 答案错误: 11 未遵循指令: 4 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 5.5 编程 : 4.4 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.7 指令遵循 : 8.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#341#341	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 66.7% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 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 : 10.0 编程 : 6.0 综合 : 2.3 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#346#346	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
#382#382	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
#409#409	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.6 尝试通过率 18.8% 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） 63.15s 响应时间（总计） 1389.35s 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: 2 无效工具调用: 1 智能体任务 : 3.0 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
#410#410	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.6 尝试通过率 23.2% 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） 64.99s 响应时间（总计） 1429.68s 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: 2 无效工具调用: 1 智能体任务 : 3.0 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
#68#68	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.5 尝试通过率 78.3% 不稳定测试 7 输入令牌 298,476 输出令牌 7,762 推理令牌 515,918 响应时间（平均） 148.11s 响应时间（总计） 3406.53s 响应时间（最大） 904.91s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 8.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 8.4 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 2.8
#189#189	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
#315#315	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.5 尝试通过率 42.0% 不稳定测试 4 输入令牌 229,346 输出令牌 18,597 推理令牌 129,338 响应时间（平均） 56.40s 响应时间（总计） 1184.46s 响应时间（最大） 431.98s 答案错误: 6 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 4.7 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#378#378	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.5 尝试通过率 40.6% 不稳定测试 9 输入令牌 207,883 输出令牌 144,718 推理令牌 525,897 响应时间（平均） 83.19s 响应时间（总计） 1913.41s 响应时间（最大） 597.61s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 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