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）
#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
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 261,962 输出令牌 12,799 推理令牌 2,961 响应时间（平均） 3.60s 响应时间（总计） 82.91s 响应时间（最大） 48.59s 答案错误: 8 未遵循指令: 2 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 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 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#282#282	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
查看模型卡片总测试数 23 错误测试数 14 可靠性 9.9 尝试通过率 47.8% 不稳定测试 4 输入令牌 202,069 输出令牌 11,961 推理令牌 0 响应时间（平均） 3.58s 响应时间（总计） 82.24s 响应时间（最大） 43.82s 答案错误: 12 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 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 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#329#329	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
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 26.1% 不稳定测试 0 输入令牌 123,993 输出令牌 12,777 推理令牌 0 响应时间（平均） 3.40s 响应时间（总计） 74.77s 响应时间（最大） 17.51s 答案错误: 13 API 错误: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 4.8 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 : 5.0 指令遵循 : 4.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#294#294	GPT-5.4 Mininone	5.7	OpenAI	$0.170	3.34s
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 30.4% 不稳定测试 2 输入令牌 172,438 输出令牌 8,828 推理令牌 0 响应时间（平均） 3.34s 响应时间（总计） 76.84s 响应时间（最大） 41.98s 答案错误: 14 未遵循指令: 3 智能体任务 : 5.0 反AI技巧 : 3.1 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.8 尝试通过率 37.7% 不稳定测试 5 输入令牌 326,083 输出令牌 7,224 推理令牌 33,078 响应时间（平均） 3.34s 响应时间（总计） 76.80s 响应时间（最大） 47.06s 答案错误: 14 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.4 指令遵循 : 2.9 谜题求解 : 5.9 工具调用 : 9.8 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
#314#314	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 69.6% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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
#367#367	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 34.8% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 4.8 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 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#403#403	Laguna M.1default	3.6	Poolside	$0.009 ↕	2.89s
查看模型卡片总测试数 19 错误测试数 15 可靠性 9.8 尝试通过率 26.1% 不稳定测试 3 输入令牌 38,147 输出令牌 2,054 推理令牌 0 响应时间（平均） 2.89s 响应时间（总计） 43.28s 响应时间（最大） 15.42s 答案错误: 10 API 错误: 4 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 3.4 编程 : 2.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#379#379	Trinity Large Previewdefault	4.4	Arcee AI	$0.008 ↑	2.83s
查看模型卡片总测试数 22 错误测试数 18 可靠性 10.0 尝试通过率 20.3% 不稳定测试 2 输入令牌 29,828 输出令牌 2,169 推理令牌 0 响应时间（平均） 2.83s 响应时间（总计） 56.65s 响应时间（最大） 14.34s 答案错误: 12 API 错误: 3 未遵循指令: 3 智能体任务 : 3.0 反AI技巧 : 3.1 编程 : 3.7 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.5 指令遵循 : 3.5 谜题求解 : 3.6 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
#411#411	MiMo-V2-Flashdefault	3.3	Xiaomi	$0.025 ↑	2.76s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 23.2% 不稳定测试 4 输入令牌 36,851 输出令牌 68,882 推理令牌 0 响应时间（平均） 2.76s 响应时间（总计） 46.99s 响应时间（最大） 19.68s 答案错误: 13 未遵循指令: 2 API 错误: 1 额外格式: 1 智能体任务 : 0.0 反AI技巧 : 3.2 编程 : 4.3 综合 : 1.5 数据解析与提取 : 2.9 领域专项 : 5.3 通用智能 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#376#376	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.2% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 3.6 编程 : 4.4 综合 : 1.5 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 : 6.5 谜题求解 : 10.0 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
#328#328	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
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 47.8% 不稳定测试 4 输入令牌 81,447 输出令牌 2,715 推理令牌 11,971 响应时间（平均） 1.99s 响应时间（总计） 45.67s 响应时间（最大） 5.82s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 9.2 编程 : 4.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#415#415	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
查看模型卡片总测试数 19 错误测试数 16 可靠性 10.0 尝试通过率 18.8% 不稳定测试 3 输入令牌 36,608 输出令牌 1,723 推理令牌 0 响应时间（平均） 1.62s 响应时间（总计） 19.48s 响应时间（最大） 5.51s 答案错误: 13 未遵循指令: 3 智能体任务 : 0.0 反AI技巧 : 3.2 编程 : 1.8 综合 : 1.5 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 : 3.0 谜题求解 : 3.0 工具调用 : 2.8 常识问答 : 3.0
#347#347	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
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 23.2% 不稳定测试 1 输入令牌 94,733 输出令牌 7,087 推理令牌 1,683 响应时间（平均） 1.45s 响应时间（总计） 33.24s 响应时间（最大） 12.35s 答案错误: 15 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.1 编程 : 3.6 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 : 6.3 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#396#396	Granite 4.1 8bdefault	3.8	IBM Granite	$0.007	1.38s
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 8.7% 不稳定测试 0 输入令牌 113,836 输出令牌 5,996 推理令牌 0 响应时间（平均） 1.38s 响应时间（总计） 31.81s 响应时间（最大） 16.67s 答案错误: 13 未遵循指令: 4 无效工具调用: 2 API 错误: 1 额外格式: 1 智能体任务 : 3.0 反AI技巧 : 4.9 编程 : 4.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 3.6 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#419#419	Span-02default	2.8	Respan	$0.001	1.36s
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 70,626 输出令牌 0 推理令牌 0 响应时间（平均） 1.36s 响应时间（总计） 16.37s 响应时间（最大） 5.71s 答案错误: 6 智能体任务 : 0.0 反AI技巧 : 5.8 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 : 5.0 谜题求解 : 1.0 工具调用 : 0.0 常识问答 : 0.0
#437#437	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
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
查看模型卡片总测试数 21 错误测试数 15 可靠性不适用尝试通过率 27.5% 不稳定测试 1 输入令牌 33,744 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 API 错误: 3 未遵循指令: 2 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 6.6 编程 : 3.7 综合 : 1.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#404#404	Elephant Alphadefault	3.6	Openrouter	$0.000	1.22s
查看模型卡片总测试数 21 错误测试数 16 可靠性不适用尝试通过率 24.6% 不稳定测试 1 输入令牌 33,743 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.22s 响应时间（总计） 22.03s 响应时间（最大） 3.81s 答案错误: 9 API 错误: 3 未遵循指令: 3 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 6.6 编程 : 4.2 综合 : 1.5 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 : 4.2 工具调用 : 3.0 常识问答 : 3.0
#402#402	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
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 29.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 1.8 综合 : 1.5 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#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

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