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）
#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
#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
#327#327	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
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 29.0% 不稳定测试 6 输入令牌 272,479 输出令牌 40,677 推理令牌 23,104 响应时间（平均） 8.43s 响应时间（总计） 176.93s 响应时间（最大） 65.61s 答案错误: 13 API 错误: 2 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.2 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
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 24.6% 不稳定测试 4 输入令牌 230,291 输出令牌 99,030 推理令牌 287,794 响应时间（平均） 63.06s 响应时间（总计） 1450.31s 响应时间（最大） 560.31s 答案错误: 14 无效工具调用: 2 无答案: 2 未遵循指令: 1 智能体任务 : 3.4 反AI技巧 : 3.4 编程 : 5.3 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 4.2 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
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 27.5% 不稳定测试 6 输入令牌 344,806 输出令牌 177,330 推理令牌 453,213 响应时间（平均） 113.63s 响应时间（总计） 2613.48s 响应时间（最大） 1190.11s 答案错误: 12 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#351#351	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
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 17.4% 不稳定测试 0 输入令牌 106,423 输出令牌 11,555 推理令牌 0 响应时间（平均） 8.16s 响应时间（总计） 163.24s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 4 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.4 编程 : 3.8 综合 : 6.5 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 : 6.4 谜题求解 : 3.1 工具调用 : 3.0 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
#358#358	Mercury 2.5 Previewdefault	4.7	Inception	$0.023 ↑	7.05s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.9 尝试通过率 29.0% 不稳定测试 5 输入令牌 250,541 输出令牌 86,367 推理令牌 0 响应时间（平均） 7.05s 响应时间（总计） 162.25s 响应时间（最大） 84.96s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 3.8 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
查看模型卡片总测试数 23 错误测试数 19 可靠性 8.9 尝试通过率 17.4% 不稳定测试 0 输入令牌 177,989 输出令牌 26,954 推理令牌 0 响应时间（平均） 29.47s 响应时间（总计） 677.70s 响应时间（最大） 159.85s 答案错误: 13 额外格式: 2 未遵循指令: 2 无效工具调用: 2 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
查看模型卡片总测试数 23 错误测试数 19 可靠性 8.2 尝试通过率 37.7% 不稳定测试 10 输入令牌 282,658 输出令牌 198,563 推理令牌 462,804 响应时间（平均） 235.35s 响应时间（总计） 5413.09s 响应时间（最大） 685.87s 超时: 10 答案错误: 7 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 : 3.8 综合 : 5.0 数据解析与提取 : 3.8 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 6.4 谜题求解 : 2.9 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
#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
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.4 尝试通过率 30.4% 不稳定测试 8 输入令牌 228,711 输出令牌 42,254 推理令牌 422,121 响应时间（平均） 150.90s 响应时间（总计） 2414.33s 响应时间（最大） 1539.97s 答案错误: 10 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 智能体任务 : 3.9 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#399#399	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
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 3 输入令牌 115,314 输出令牌 133,965 推理令牌 816,718 响应时间（平均） 72.24s 响应时间（总计） 1589.23s 响应时间（最大） 345.15s 无答案: 7 答案错误: 6 未遵循指令: 3 API 错误: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 6.4 编程 : 2.9 综合 : 3.0 数据解析与提取 : 2.8 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#400#400	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
#401#401	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
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
查看模型卡片总测试数 12 错误测试数 10 可靠性 10.0 尝试通过率 8.7% 不稳定测试 0 输入令牌 70,125 输出令牌 0 推理令牌 0 响应时间（平均） 880ms 响应时间（总计） 10.56s 响应时间（最大） 1.31s 答案错误: 9 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.5 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#434#434	D1default	1.9	Liquid	$0.003	508ms
查看模型卡片总测试数 12 错误测试数 10 可靠性 10.0 尝试通过率 11.6% 不稳定测试 1 输入令牌 55,956 输出令牌 0 推理令牌 0 响应时间（平均） 508ms 响应时间（总计） 6.10s 响应时间（最大） 820ms 答案错误: 10 智能体任务 : 0.0 反AI技巧 : 4.0 编程 : 2.2 综合 : 0.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#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
#441#441	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
查看模型卡片总测试数 7 错误测试数 6 可靠性 10.0 尝试通过率 4.4% 不稳定测试 0 输入令牌 103,770 输出令牌 0 推理令牌 0 响应时间（平均） 363ms 响应时间（总计） 2.54s 响应时间（最大） 1.24s 答案错误: 5 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 2.5 编程 : 0.0 综合 : 0.0 数据解析与提取 : 3.0 领域专项 : 2.0 通用智能 : 0.0 指令遵循 : 1.5 谜题求解 : 1.7 工具调用 : 0.0 常识问答 : 0.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
查看模型卡片总测试数 23 错误测试数 20 可靠性 6.5 尝试通过率 21.7% 不稳定测试 4 输入令牌 162,180 输出令牌 5,030 推理令牌 682,447 响应时间（平均） 207.21s 响应时间（总计） 4765.91s 响应时间（最大） 597.45s 答案错误: 13 API 错误: 5 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 6.0 编程 : 5.2 综合 : 2.9 数据解析与提取 : 8.7 领域专项 : 4.5 通用智能 : 7.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
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 29.0% 不稳定测试 8 输入令牌 465,127 输出令牌 72,309 推理令牌 0 响应时间（平均） 7.79s 响应时间（总计） 179.09s 响应时间（最大） 121.52s 答案错误: 16 未遵循指令: 2 无效工具调用: 2 智能体任务 : 5.2 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 4.9 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#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
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
查看模型卡片总测试数 23 错误测试数 20 可靠性 6.2 尝试通过率 15.9% 不稳定测试 1 输入令牌 185,167 输出令牌 9,430 推理令牌 0 响应时间（平均） 40.38s 响应时间（总计） 928.76s 响应时间（最大） 95.32s 答案错误: 14 API 错误: 2 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.3 编程 : 3.8 综合 : 3.0 数据解析与提取 : 8.7 领域专项 : 6.8 通用智能 : 5.1 指令遵循 : 7.0 谜题求解 : 4.6 工具调用 : 3.0 常识问答 : 3.0
#363#363	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
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 24.6% 不稳定测试 4 输入令牌 311,647 输出令牌 40,395 推理令牌 0 响应时间（平均） 16.97s 响应时间（总计） 305.55s 响应时间（最大） 151.35s 答案错误: 15 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 6.3 指令遵循 : 6.3 谜题求解 : 3.0 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