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）
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
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 50.7% 不稳定测试 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.03s 响应时间（总计） 138.65s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 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 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#439#439	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
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 37.7% 不稳定测试 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.00s 响应时间（总计） 138.04s 响应时间（最大） 118.00s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#98#98	Gemini 4 Argonlow	8.2	Google	$0.438	5.72s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 79.7% 不稳定测试 6 输入令牌 188,162 输出令牌 6,097 推理令牌 0 响应时间（平均） 5.72s 响应时间（总计） 131.67s 响应时间（最大） 60.87s 答案错误: 5 API 错误: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.8 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 : 8.7 工具调用 : 4.7 常识问答 : 3.0
#287#287	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 43.5% 不稳定测试 3 输入令牌 266,004 输出令牌 9,077 推理令牌 0 响应时间（平均） 5.71s 响应时间（总计） 131.36s 响应时间（最大） 65.25s 答案错误: 14 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.1 指令遵循 : 7.1 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#428#428	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
#343#343	Dots 3 Note Previewdefault	5.0	Dots Studio	$0.000	5.36s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 15.9% 不稳定测试 1 输入令牌 225,907 输出令牌 22,507 推理令牌 0 响应时间（平均） 5.36s 响应时间（总计） 123.38s 响应时间（最大） 45.71s 答案错误: 16 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 3.9 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
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 31.9% 不稳定测试 1 输入令牌 236,599 输出令牌 11,561 推理令牌 4,975 响应时间（平均） 5.30s 响应时间（总计） 121.91s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 4.5 综合 : 2.9 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 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#388#388	Mercury 2.5none	4.1	Inception	$0.026	5.10s
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 24.6% 不稳定测试 7 输入令牌 311,488 输出令牌 89,958 推理令牌 0 响应时间（平均） 5.10s 响应时间（总计） 117.24s 响应时间（最大） 63.41s 答案错误: 15 未遵循指令: 4 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.8 编程 : 3.7 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 4.9 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
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 39.1% 不稳定测试 0 输入令牌 281,460 输出令牌 13,791 推理令牌 0 响应时间（平均） 5.05s 响应时间（总计） 116.11s 响应时间（最大） 47.42s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.3 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#341#341	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.9 尝试通过率 44.9% 不稳定测试 8 输入令牌 235,438 输出令牌 8,136 推理令牌 28,734 响应时间（平均） 4.92s 响应时间（总计） 113.24s 响应时间（最大） 84.47s 答案错误: 13 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 : 5.5 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 4.1 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#238#238	Beam 1.0 501B A23Blow	6.4	Reflection	$0.432	4.89s
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 60.9% 不稳定测试 6 输入令牌 218,076 输出令牌 4,863 推理令牌 66,387 响应时间（平均） 4.89s 响应时间（总计） 112.55s 响应时间（最大） 29.49s 答案错误: 6 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 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 : 8.4 谜题求解 : 6.1 工具调用 : 3.0 常识问答 : 3.0
#247#247	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 66.7% 不稳定测试 6 输入令牌 275,779 输出令牌 14,401 推理令牌 25,511 响应时间（平均） 4.79s 响应时间（总计） 110.24s 响应时间（最大） 53.91s 答案错误: 9 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 9.0 编程 : 4.3 综合 : 3.8 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 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 4.7
#214#214	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
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 56.5% 不稳定测试 2 输入令牌 205,108 输出令牌 6,197 推理令牌 0 响应时间（平均） 4.75s 响应时间（总计） 109.31s 响应时间（最大） 57.53s 答案错误: 11 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#406#406	Hunter Alphadefault	3.5	OpenRouter	$0.000	4.70s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 36.2% 不稳定测试 4 输入令牌 34,329 输出令牌 2,264 推理令牌 0 响应时间（平均） 4.70s 响应时间（总计） 79.86s 响应时间（最大） 15.17s 答案错误: 9 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 : 1.0 综合 : 1.5 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 : 6.4 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 0.0
#240#240	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
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 58.0% 不稳定测试 1 输入令牌 230,004 输出令牌 18,040 推理令牌 0 响应时间（平均） 4.67s 响应时间（总计） 107.45s 响应时间（最大） 49.23s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 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 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#211#211	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 60.9% 不稳定测试 3 输入令牌 207,852 输出令牌 5,555 推理令牌 0 响应时间（平均） 4.61s 响应时间（总计） 105.93s 响应时间（最大） 58.28s 答案错误: 10 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#430#430	Classify-1default	2.2	Scaledown	$0.008	4.58s
查看模型卡片总测试数 12 错误测试数 9 可靠性 9.4 尝试通过率 18.8% 不稳定测试 2 输入令牌 195,645 输出令牌 164 推理令牌 0 响应时间（平均） 4.58s 响应时间（总计） 55.01s 响应时间（最大） 13.35s 答案错误: 8 API 错误: 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 : 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
#326#326	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
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 29.0% 不稳定测试 3 输入令牌 270,072 输出令牌 23,173 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 104.80s 响应时间（最大） 70.79s 答案错误: 14 无效工具调用: 2 未遵循指令: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 5.3 编程 : 4.3 综合 : 3.0 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 : 3.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#365#365	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
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 26.1% 不稳定测试 4 输入令牌 246,687 输出令牌 14,894 推理令牌 0 响应时间（平均） 4.42s 响应时间（总计） 101.75s 响应时间（最大） 45.38s 答案错误: 16 未遵循指令: 2 无答案: 1 智能体任务 : 3.9 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
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
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 53.6% 不稳定测试 5 输入令牌 189,300 输出令牌 10,854 推理令牌 86,089 响应时间（平均） 4.40s 响应时间（总计） 96.81s 响应时间（最大） 34.92s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#344#344	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
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 21.7% 不稳定测试 0 输入令牌 145,180 输出令牌 3,627 推理令牌 0 响应时间（平均） 4.16s 响应时间（总计） 70.70s 响应时间（最大） 39.99s 答案错误: 16 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 3.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#288#288	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 40.6% 不稳定测试 3 输入令牌 213,564 输出令牌 7,381 推理令牌 0 响应时间（平均） 4.11s 响应时间（总计） 94.52s 响应时间（最大） 57.98s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 2.9 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 : 8.5 谜题求解 : 5.3 工具调用 : 9.6 常识问答 : 3.0
#280#280	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
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 49.3% 不稳定测试 3 输入令牌 238,785 输出令牌 12,875 推理令牌 0 响应时间（平均） 3.95s 响应时间（总计） 90.76s 响应时间（最大） 50.03s 答案错误: 9 未遵循指令: 3 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 33.3% 不稳定测试 2 输入令牌 219,404 输出令牌 9,372 推理令牌 0 响应时间（平均） 3.89s 响应时间（总计） 89.48s 响应时间（最大） 43.73s 答案错误: 15 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 3.2 编程 : 5.5 综合 : 3.0 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 : 6.5 谜题求解 : 5.6 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