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：: 2026-09-04 已评估模型: 316

316/316

排名	模型	分数	公司	总成本	响应时间（平均）
#31#31	Muse Spark 1.3high	8.9	Meta	$1.653	52.49s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 99,143 输出令牌 12,083 推理令牌 347,525 响应时间（平均） 52.49s 响应时间（总计） 1154.76s 响应时间（最大） 251.53s 答案错误: 3 未遵循指令: 2 无答案: 1 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 : 2.9 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 8.7 工具调用 : 9.6 常识问答 : 3.0
#32#32	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 78.8% 不稳定测试 3 输入令牌 104,695 输出令牌 6,645 推理令牌 691,086 响应时间（平均） 173.96s 响应时间（总计） 3827.19s 响应时间（最大） 584.71s 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#33#33	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 84.9% 不稳定测试 2 输入令牌 87,826 输出令牌 2,239 推理令牌 32,956 响应时间（平均） 5.76s 响应时间（总计） 126.71s 响应时间（最大） 53.55s 答案错误: 3 无效工具调用: 1 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 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#34#34	Muse Spark 1.3medium	8.8	Meta	$1.469	38.57s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 84.9% 不稳定测试 3 输入令牌 89,177 输出令牌 11,044 推理令牌 308,220 响应时间（平均） 38.57s 响应时间（总计） 848.59s 响应时间（最大） 219.77s 答案错误: 4 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 9.6 常识问答 : 3.0
#35#35	Gemini 3.5 Flash Litehigh	8.8	Google	$0.540	10.05s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 2 输入令牌 93,046 输出令牌 5,884 推理令牌 198,741 响应时间（平均） 10.05s 响应时间（总计） 221.06s 响应时间（最大） 36.22s 答案错误: 5 反AI技巧 : 10.0 编程 : 8.4 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#36#36	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 2 输入令牌 138,448 输出令牌 40,765 推理令牌 11,162 响应时间（平均） 12.97s 响应时间（总计） 285.29s 响应时间（最大） 70.54s 答案错误: 4 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 7.1 领域专项 : 3.6 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
#37#37	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 83.3% 不稳定测试 1 输入令牌 134,770 输出令牌 13,604 推理令牌 4,388 响应时间（平均） 6.99s 响应时间（总计） 153.80s 响应时间（最大） 30.67s 答案错误: 4 反AI技巧 : 10.0 编程 : 7.8 综合 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#38#38	Gemini 3.6 Flashlow	8.7	Google	$0.251 ↓	4.92s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 89.4% 不稳定测试 3 输入令牌 85,886 输出令牌 5,489 推理令牌 44,232 响应时间（平均） 4.92s 响应时间（总计） 108.28s 响应时间（最大） 30.83s 答案错误: 4 反AI技巧 : 8.7 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 7.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#39#39	GLM 5.3 Flashmax	8.7	Z.ai	$0.059	52.10s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 81.8% 不稳定测试 3 输入令牌 96,873 输出令牌 7,637 推理令牌 196,703 响应时间（平均） 52.10s 响应时间（总计） 1146.24s 响应时间（最大） 333.47s 答案错误: 2 额外格式: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#40#40	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
查看模型卡片总测试数 22 错误测试数 4 可靠性 10.0 尝试通过率 83.3% 不稳定测试 1 输入令牌 145,249 输出令牌 24,948 推理令牌 5,042 响应时间（平均） 7.62s 响应时间（总计） 159.94s 响应时间（最大） 65.40s 答案错误: 3 超时: 1 反AI技巧 : 8.3 编程 : 7.6 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 : 3.0
#42#42	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 74.2% 不稳定测试 4 输入令牌 123,680 输出令牌 7,222 推理令牌 271,442 响应时间（平均） 19.67s 响应时间（总计） 432.72s 响应时间（最大） 142.49s 未遵循指令: 3 答案错误: 3 额外格式: 1 无效工具调用: 1 反AI技巧 : 7.3 编程 : 10.0 综合 : 8.5 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#43#43	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 72.7% 不稳定测试 2 输入令牌 142,147 输出令牌 7,905 推理令牌 284,247 响应时间（平均） 26.25s 响应时间（总计） 577.47s 响应时间（最大） 165.38s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.9 工具调用 : 9.8 常识问答 : 3.0
#44#44	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 78.8% 不稳定测试 1 输入令牌 89,640 输出令牌 33,092 推理令牌 9,054 响应时间（平均） 15.01s 响应时间（总计） 330.15s 响应时间（最大） 80.80s 无答案: 3 无效工具调用: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#45#45	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 2 输入令牌 79,249 输出令牌 5,097 推理令牌 165,276 响应时间（平均） 66.52s 响应时间（总计） 1463.50s 响应时间（最大） 238.07s 答案错误: 4 超时: 1 反AI技巧 : 10.0 编程 : 8.8 综合 : 7.3 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#46#46	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 80.3% 不稳定测试 3 输入令牌 99,181 输出令牌 6,132 推理令牌 77,689 响应时间（平均） 21.83s 响应时间（总计） 480.37s 响应时间（最大） 155.75s 答案错误: 5 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.4 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 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#47#47	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 4 输入令牌 81,136 输出令牌 6,155 推理令牌 84,311 响应时间（平均） 22.85s 响应时间（总计） 502.78s 响应时间（最大） 100.41s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 8.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#48#48	Grok 4.5medium	8.5	X AI	$2.042	68.59s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 3 输入令牌 122,155 输出令牌 5,514 推理令牌 293,946 响应时间（平均） 68.59s 响应时间（总计） 1508.91s 响应时间（最大） 436.38s 答案错误: 5 反AI技巧 : 10.0 编程 : 7.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#49#49	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 3 输入令牌 101,811 输出令牌 8,025 推理令牌 115,938 响应时间（平均） 9.77s 响应时间（总计） 214.83s 响应时间（最大） 47.80s 答案错误: 4 未遵循指令: 3 反AI技巧 : 9.2 编程 : 8.4 综合 : 9.8 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 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#50#50	Grok 4.6medium	8.4	X AI	$1.713	73.46s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 81.8% 不稳定测试 4 输入令牌 106,787 输出令牌 4,811 推理令牌 244,997 响应时间（平均） 73.46s 响应时间（总计） 1616.12s 响应时间（最大） 514.35s 答案错误: 5 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 10.0 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#51#51	Grok 4.5low	8.4	X AI	$0.945	16.17s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 125,605 输出令牌 7,505 推理令牌 107,984 响应时间（平均） 16.17s 响应时间（总计） 355.67s 响应时间（最大） 205.28s 答案错误: 6 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 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
#52#52	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 72.7% 不稳定测试 4 输入令牌 105,013 输出令牌 9,914 推理令牌 61,338 响应时间（平均） 28.51s 响应时间（总计） 456.13s 响应时间（最大） 116.86s 未遵循指令: 3 答案错误: 3 无答案: 1 超时: 1 反AI技巧 : 6.5 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 3.7 指令遵循 : 9.9 谜题求解 : 7.5 工具调用 : 4.7 常识问答 : 3.0
#54#54	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 78.8% 不稳定测试 5 输入令牌 104,433 输出令牌 6,511 推理令牌 752,680 响应时间（平均） 193.59s 响应时间（总计） 4258.98s 响应时间（最大） 885.33s 答案错误: 5 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 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 : 6.1 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#55#55	Inkling Smallhigh	8.4	Thinkingmachines	$0.398 ↓	30.43s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 69.7% 不稳定测试 2 输入令牌 85,669 输出令牌 6,092 推理令牌 292,801 响应时间（平均） 30.43s 响应时间（总计） 669.38s 响应时间（最大） 122.60s 答案错误: 6 未遵循指令: 2 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 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 : 9.8 谜题求解 : 4.8 工具调用 : 3.0 常识问答 : 3.0
#56#56	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 71.2% 不稳定测试 4 输入令牌 141,878 输出令牌 11,033 推理令牌 105,456 响应时间（平均） 11.89s 响应时间（总计） 261.69s 响应时间（最大） 54.15s 答案错误: 5 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 10.0 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 7.3 谜题求解 : 8.3 工具调用 : 9.8 常识问答 : 3.0
#57#57	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 81.8% 不稳定测试 6 输入令牌 135,112 输出令牌 7,594 推理令牌 23,558 响应时间（平均） 11.67s 响应时间（总计） 256.73s 响应时间（最大） 36.59s 答案错误: 3 无答案: 2 额外格式: 1 未遵循指令: 1 反AI技巧 : 8.2 编程 : 7.0 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 : 7.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 2.8

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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium

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