AI BENCHY

AI 基准排行榜

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：: 2026-04-24 已评估模型: 115

115/115

排名	模型	分数	公司	总成本	响应时间（平均）
#31#31	Grok 4.20 Betamedium	8.0	X AI	$0.633	9.81s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 2 输出令牌: 1,568 推理令牌: 91,909 响应时间：平均 9.81s · 总计 176.62s · 最大 31.36s 未遵循指令: 3 答案错误: 3 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 : 5.3 通用智能 : 10.0 指令遵循 : 8.3 谜题求解 : 8.2 工具调用 : 3.0
#32#32	Claude Sonnet 4.6medium	8.0	Anthropic	$1.161	12.66s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 1 输出令牌: 42,068 推理令牌: 26,784 响应时间：平均 12.66s · 总计 126.62s · 最大 46.35s 额外格式: 2 答案错误: 2 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 : 2.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#33#33	DeepSeek V3.2medium	8.0	DeepSeek	$0.028	43.49s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 4 输出令牌: 7,554 推理令牌: 45,588 响应时间：平均 43.49s · 总计 782.73s · 最大 180.92s 答案错误: 3 超时: 2 未遵循指令: 1 反AI技巧 : 8.4 编程 : 4.7 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0
#34#34	GPT-5.2 Chatnone	7.9	OpenAI	$0.291	6.84s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 3 输出令牌: 17,346 推理令牌: 0 响应时间：平均 6.84s · 总计 123.17s · 最大 38.52s 答案错误: 5 未遵循指令: 1 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 : 5.3 通用智能 : 4.4 指令遵循 : 7.5 谜题求解 : 7.7 工具调用 : 10.0
#35#35	Gemini 3.1 Flash Lite Previewnone	7.9	Google	$0.016	1.30s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 1 输出令牌: 5,361 推理令牌: 0 响应时间：平均 1.30s · 总计 23.42s · 最大 3.39s 答案错误: 4 未遵循指令: 2 反AI技巧 : 7.5 编程 : 10.0 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
#36#36	Step 3.5 Flashmedium	7.9	Stepfun	$0.000	26.78s
查看模型卡片总测试数: 17 错误测试数: 6 可靠性: 不适用尝试通过率: 70.6% 不稳定测试: 2 输出令牌: 71,904 推理令牌: 155,607 响应时间：平均 26.78s · 总计 294.58s · 最大 170.45s 未遵循指令: 3 答案错误: 3 反AI技巧 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0
#37#37	DeepSeek V4 Flashhigh	7.8	DeepSeek	$0.021	47.47s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 5 输出令牌: 1,757 推理令牌: 55,907 响应时间：平均 47.47s · 总计 854.45s · 最大 255.28s 答案错误: 4 未遵循指令: 3 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 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 : 10.0 谜题求解 : 6.4 工具调用 : 10.0
#38#38	GLM 5V Turbomedium	7.8	Z.ai	$0.291	14.96s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 77.8% 不稳定测试: 6 输出令牌: 2,351 推理令牌: 58,941 响应时间：平均 14.96s · 总计 269.32s · 最大 67.08s 答案错误: 3 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 7.2 编程 : 10.0 综合 : 6.9 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 : 7.7 工具调用 : 7.0
#39#39	Qwen3.5-Flashmedium	7.8	Qwen	$0.080	66.72s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 81.5% 不稳定测试: 6 输出令牌: 2,073 推理令牌: 191,899 响应时间：平均 66.72s · 总计 1201.03s · 最大 234.29s 超时: 4 API 错误: 1 未遵循指令: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 4.7 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0
#40#40	GLM 5.1medium	7.8	Z.ai	$0.201	24.13s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 3 输出令牌: 8,005 推理令牌: 49,090 响应时间：平均 24.13s · 总计 410.25s · 最大 118.52s 答案错误: 3 超时: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 4.7 综合 : 9.5 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0
#41#41	MiMo-V2.5medium	7.8	Xiaomi	$0.253	13.71s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 3 输出令牌: 2,840 推理令牌: 116,242 响应时间：平均 13.71s · 总计 246.73s · 最大 86.93s 额外格式: 2 答案错误: 2 未遵循指令: 1 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 : 2.7 领域专项 : 5.3 通用智能 : 3.8 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0
#42#42	Kimi K2.6medium	7.7	Moonshot AI	$0.722	45.20s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 4 输出令牌: 80,759 推理令牌: 179,814 响应时间：平均 45.20s · 总计 768.37s · 最大 215.85s 未遵循指令: 3 超时: 2 答案错误: 2 反AI技巧 : 7.0 编程 : 10.0 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 : 5.0 工具调用 : 10.0
#43#43	MiMo-V2-Omnimedium	7.7	Xiaomi	$0.153	16.76s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 61.1% 不稳定测试: 0 输出令牌: 928 推理令牌: 72,661 响应时间：平均 16.76s · 总计 301.61s · 最大 158.78s 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 8.3 谜题求解 : 6.5 工具调用 : 10.0
#44#44	GPT-5.3 Chatnone	7.7	OpenAI	$0.340	5.88s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 68.5% 不稳定测试: 3 输出令牌: 20,784 推理令牌: 0 响应时间：平均 5.88s · 总计 105.90s · 最大 18.33s 答案错误: 5 未遵循指令: 2 反AI技巧 : 6.7 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 8.3 谜题求解 : 10.0 工具调用 : 10.0
#45#45	Claude Opus 4.6medium	7.6	Anthropic	$1.446	21.08s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 2 输出令牌: 29,829 推理令牌: 18,938 响应时间：平均 21.08s · 总计 231.84s · 最大 83.40s 额外格式: 4 答案错误: 2 反AI技巧 : 6.4 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0
#46#46	GPT-5.4 Nanomedium	7.6	OpenAI	$0.083	11.21s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 68.5% 不稳定测试: 2 输出令牌: 2,946 推理令牌: 58,132 响应时间：平均 11.21s · 总计 201.80s · 最大 94.06s 答案错误: 4 未遵循指令: 3 反AI技巧 : 8.3 编程 : 10.0 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.0 工具调用 : 10.0
#47#47	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.037	69.70s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 66.7% 不稳定测试: 2 输出令牌: 2,419 推理令牌: 79,238 响应时间：平均 69.70s · 总计 1045.47s · 最大 262.83s 超时: 4 答案错误: 2 未遵循指令: 1 反AI技巧 : 6.6 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0
#48#48	GPT-5.2medium	7.5	OpenAI	$0.352	14.04s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 72.2% 不稳定测试: 4 输出令牌: 2,705 推理令牌: 18,977 响应时间：平均 14.04s · 总计 154.41s · 最大 77.80s 未遵循指令: 3 答案错误: 2 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 : 7.7 工具调用 : 4.7
#49#49	MiMo-V2-Flashmedium	7.5	Xiaomi	$0.038	23.36s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 3 输出令牌: 12,387 推理令牌: 115,182 响应时间：平均 23.36s · 总计 280.34s · 最大 96.01s 答案错误: 3 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 8.1 编程 : 4.7 综合 : 9.8 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0
#50#50	Claude Sonnet 4.6none	7.4	Anthropic	$0.262	4.98s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 64.8% 不稳定测试: 1 输出令牌: 7,433 推理令牌: 0 响应时间：平均 4.98s · 总计 54.83s · 最大 23.84s 额外格式: 3 答案错误: 3 未遵循指令: 1 反AI技巧 : 4.8 编程 : 10.0 综合 : 9.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0
#51#51	Qwen3.5-35B-A3Bmedium	7.4	Qwen	$0.398	44.51s
查看模型卡片总测试数: 18 错误测试数: 8 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 7 输出令牌: 10,137 推理令牌: 208,761 响应时间：平均 44.51s · 总计 801.21s · 最大 106.00s 超时: 4 答案错误: 2 API 错误: 1 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 4.1 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0
#52#52	GPT-5.4 Minimedium	7.3	OpenAI	$0.299	15.22s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 6 输出令牌: 2,131 推理令牌: 59,567 响应时间：平均 15.22s · 总计 273.90s · 最大 102.91s 未遵循指令: 5 答案错误: 4 反AI技巧 : 8.6 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.5 指令遵循 : 7.4 谜题求解 : 6.8 工具调用 : 4.7
#53#53	GPT-5 Minimedium	7.0	OpenAI	$0.128	23.98s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 61.1% 不稳定测试: 3 输出令牌: 6,379 推理令牌: 53,482 响应时间：平均 23.98s · 总计 431.56s · 最大 88.15s 未遵循指令: 4 答案错误: 4 超时: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.5 指令遵循 : 8.0 谜题求解 : 5.6 工具调用 : 10.0
#54#54	Kimi K2.5medium	7.0	Moonshot AI	$0.220	72.43s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 72.2% 不稳定测试: 7 输出令牌: 42,176 推理令牌: 84,870 响应时间：平均 72.43s · 总计 796.70s · 最大 150.77s 答案错误: 4 未遵循指令: 2 超时: 2 无答案: 1 反AI技巧 : 7.3 编程 : 4.7 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0
#55#55	Grok 4.20medium	7.0	X AI	$0.743	10.33s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 66.7% 不稳定测试: 5 输出令牌: 1,744 推理令牌: 109,882 响应时间：平均 10.33s · 总计 185.87s · 最大 29.87s 未遵循指令: 4 答案错误: 3 API 错误: 1 额外格式: 1 反AI技巧 : 8.2 编程 : 4.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.8 指令遵循 : 7.3 谜题求解 : 6.4 工具调用 : 3.0
#56#56	Gemma 4 31Bnone	6.9	Google	$0.003	4.02s
查看模型卡片总测试数: 18 错误测试数: 8 可靠性: 不适用尝试通过率: 55.6% 不稳定测试: 0 输出令牌: 1,359 推理令牌: 0 响应时间：平均 4.02s · 总计 64.33s · 最大 26.13s 答案错误: 5 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 10.0 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 : 6.5 谜题求解 : 5.5 工具调用 : 3.0
#57#57	Qwen3.5 Plus 2026-02-15none	6.8	Qwen	$0.017	2.60s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 53.7% 不稳定测试: 2 输出令牌: 2,461 推理令牌: 0 响应时间：平均 2.60s · 总计 31.23s · 最大 6.65s 答案错误: 9 反AI技巧 : 4.8 编程 : 6.3 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0
#58#58	GPT-5.5none	6.8	OpenAI	$0.195	1.83s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 61.1% 不稳定测试: 4 输出令牌: 1,910 推理令牌: 0 响应时间：平均 1.83s · 总计 32.86s · 最大 5.56s 答案错误: 8 未遵循指令: 1 反AI技巧 : 6.9 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 : 10.0 指令遵循 : 6.2 谜题求解 : 6.7 工具调用 : 10.0
#59#59	Hunter Alphamedium	6.7	OpenRouter	$0.000	10.33s
查看模型卡片总测试数: 18 错误测试数: 10 可靠性: 不适用尝试通过率: 64.8% 不稳定测试: 6 输出令牌: 4,724 推理令牌: 17,921 响应时间：平均 10.33s · 总计 175.60s · 最大 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 7.3 编程 : 3.0 综合 : 4.7 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0
#60#60	Nemotron 3 Supermedium	6.7	NVIDIA	$0.000	19.06s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 55.6% 不稳定测试: 3 输出令牌: 11,947 推理令牌: 29,768 响应时间：平均 19.06s · 总计 305.04s · 最大 87.80s 未遵循指令: 4 答案错误: 3 API 错误: 1 超时: 1 反AI技巧 : 10.0 编程 : 3.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.2 谜题求解 : 3.5 工具调用 : 10.0

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7none Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsSeed-2.0-Litemedium Gemini 3 Flash PreviewmediumvsHY3 Previewhigh免费可用 Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsClaude Opus 4.7none Claude Opus 4.7nonevsGPT-5.5medium GPT-5.5mediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsSeed-2.0-Litemedium

AI 基准排行榜

筛选模型

快速对比