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：: 2026-06-04 已评估模型: 163

163/163

排名	模型	分数	公司	总成本	响应时间（平均）
#34#34	Qwen3.7 Maxnone	7.7	Qwen	$0.054 ↓	1.30s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 66.7% 不稳定测试 0 输入令牌 37,107 输出令牌 1,994 推理令牌 0 响应时间（平均） 1.30s 响应时间（总计） 27.21s 响应时间（最大） 3.92s 答案错误: 7 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 : 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
#36#36	Qwen3.5 Plus 2026-04-20medium	7.6	Qwen	$0.317 ↓	46.36s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 2 输入令牌 42,097 输出令牌 2,280 推理令牌 166,613 响应时间（平均） 46.36s 响应时间（总计） 973.57s 响应时间（最大） 189.38s 答案错误: 8 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#37#37	Gemma 4 26B A4Bmedium	7.6	Google	$0.045 ↓	63.41s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 69.8% 不稳定测试 2 输入令牌 40,252 输出令牌 28,000 推理令牌 100,490 响应时间（平均） 63.41s 响应时间（总计） 1268.28s 响应时间（最大） 369.32s 答案错误: 3 无答案: 2 超时: 2 反AI技巧 : 10.0 编程 : 2.9 综合 : 9.6 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 常识问答 : 3.0
#38#38	Grok 4.3medium	7.6	X AI	$0.614	47.51s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 71.4% 不稳定测试 4 输入令牌 44,472 输出令牌 1,981 推理令牌 221,382 响应时间（平均） 47.51s 响应时间（总计） 997.68s 响应时间（最大） 216.69s 答案错误: 5 未遵循指令: 2 额外格式: 1 反AI技巧 : 10.0 编程 : 5.9 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 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#39#39	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 71.4% 不稳定测试 5 输入令牌 42,362 输出令牌 2,995 推理令牌 245,358 响应时间（平均） 19.25s 响应时间（总计） 404.20s 响应时间（最大） 122.87s 答案错误: 8 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#40#40	Gemini 3.1 Flash Lite Previewmedium	7.5	Google	$0.068	3.96s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 61.9% 不稳定测试 0 输入令牌 37,786 输出令牌 2,210 推理令牌 36,744 响应时间（平均） 3.96s 响应时间（总计） 83.06s 响应时间（最大） 14.93s 答案错误: 7 未遵循指令: 1 反AI技巧 : 9.1 编程 : 5.5 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 常识问答 : 3.0
#42#42	GPT-5.2medium	7.5	OpenAI	$0.548	16.88s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 71.4% 不稳定测试 4 输入令牌 33,967 输出令牌 2,901 推理令牌 31,932 响应时间（平均） 16.88s 响应时间（总计） 236.34s 响应时间（最大） 77.80s 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
#43#43	MiMo-V2.5-Promedium	7.5	Xiaomi	$0.106 ↓	26.13s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 40,854 输出令牌 5,015 推理令牌 97,742 响应时间（平均） 26.13s 响应时间（总计） 548.65s 响应时间（最大） 130.77s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#44#44	Gemini 3.1 Flash Litemedium	7.5	Google	$0.071	3.23s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 36,808 输出令牌 2,254 推理令牌 38,300 响应时间（平均） 3.23s 响应时间（总计） 67.80s 响应时间（最大） 10.87s 答案错误: 7 未遵循指令: 1 反AI技巧 : 9.1 编程 : 5.5 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#45#45	GPT-5.4 Minimedium	7.5	OpenAI	$0.526	22.34s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 73.0% 不稳定测试 5 输入令牌 34,116 输出令牌 2,181 推理令牌 108,937 响应时间（平均） 22.34s 响应时间（总计） 469.20s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 反AI技巧 : 8.6 编程 : 8.4 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 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#46#46	Qwen3.6 35B A3Bmedium	7.4	Qwen	$0.146 ↑	18.08s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 63.5% 不稳定测试 1 输入令牌 16,385 输出令牌 19,632 推理令牌 130,219 响应时间（平均） 18.08s 响应时间（总计） 343.61s 响应时间（最大） 86.11s 答案错误: 4 API 错误: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 7.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#47#47	Grok Build 0.1medium	7.4	X AI	$0.927	49.90s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 61.9% 不稳定测试 0 输入令牌 44,418 输出令牌 2,782 推理令牌 438,018 响应时间（平均） 49.90s 响应时间（总计） 1047.92s 响应时间（最大） 252.69s 答案错误: 5 额外格式: 3 反AI技巧 : 8.3 编程 : 5.7 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#48#48	Gemini 3 Flash Previewnone	7.4	Google	$0.025	1.65s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 2 输入令牌 37,011 输出令牌 1,885 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 23.07s 响应时间（最大） 3.56s 答案错误: 8 反AI技巧 : 8.3 编程 : 5.5 综合 : 4.7 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 71.4% 不稳定测试 5 输入令牌 38,926 输出令牌 2,088 推理令牌 294,598 响应时间（平均） 63.29s 响应时间（总计） 1265.85s 响应时间（最大） 234.29s 答案错误: 4 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 3.7 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#50#50	Gemini 3.1 Flash Lite Previewlow	7.4	Google	$0.026	2.77s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 61.9% 不稳定测试 0 输入令牌 32,715 输出令牌 2,286 推理令牌 9,166 响应时间（平均） 2.77s 响应时间（总计） 58.12s 响应时间（最大） 11.91s 答案错误: 7 未遵循指令: 1 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 : 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
#52#52	Claude Sonnet 4.6medium	7.4	Anthropic	$1.418	17.06s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 49,112 输出令牌 54,703 推理令牌 29,970 响应时间（平均） 17.06s 响应时间（总计） 221.83s 响应时间（最大） 46.35s 答案错误: 4 额外格式: 3 超时: 1 反AI技巧 : 6.5 编程 : 5.7 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 常识问答 : 3.0
#53#53	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
查看模型卡片总测试数 18 错误测试数 8 可靠性 10.0 尝试通过率 68.5% 不稳定测试 4 输入令牌 29,134 输出令牌 1,984 推理令牌 1,355,583 响应时间（平均） 61.96s 响应时间（总计） 1115.31s 响应时间（最大） 149.23s 答案错误: 4 未遵循指令: 3 无答案: 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 : 3.6 通用智能 : 5.0 指令遵循 : 7.3 谜题求解 : 5.7 工具调用 : 10.0
#54#54	GPT-5 Minimedium	7.3	OpenAI	$0.159	23.64s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 63.5% 不稳定测试 2 输入令牌 37,100 输出令牌 6,801 推理令牌 67,690 响应时间（平均） 23.64s 响应时间（总计） 496.44s 响应时间（最大） 88.15s 答案错误: 5 未遵循指令: 3 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 : 10.0 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#56#56	MiMo-V2.5medium	7.3	Xiaomi	$0.063 ↓	27.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 69.8% 不稳定测试 5 输入令牌 41,838 输出令牌 2,827 推理令牌 198,898 响应时间（平均） 27.11s 响应时间（总计） 569.38s 响应时间（最大） 162.44s 答案错误: 5 额外格式: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 数据解析与提取 : 2.7 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#57#57	Step 3.7 Flashlow	7.3	Stepfun	$0.341	15.74s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 40,101 输出令牌 289,325 推理令牌 0 响应时间（平均） 15.74s 响应时间（总计） 330.63s 响应时间（最大） 124.75s 答案错误: 8 无答案: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#58#58	Gemini 3.1 Flash Lite Previewnone	7.2	Google	$0.018	1.21s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 60.3% 不稳定测试 1 输入令牌 37,582 输出令牌 5,547 推理令牌 0 响应时间（平均） 1.21s 响应时间（总计） 25.45s 响应时间（最大） 3.39s 答案错误: 7 未遵循指令: 2 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
#59#59	GLM 5V Turbomedium	7.2	Z.ai	$0.457	23.08s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 68.3% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.0 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 常识问答 : 3.0
#60#60	Kimi K2.6medium	7.2	Moonshot AI	$0.891 ↓	71.67s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 65.1% 不稳定测试 3 输入令牌 29,450 输出令牌 102,923 推理令牌 254,094 响应时间（平均） 71.67s 响应时间（总计） 1433.36s 响应时间（最大） 406.78s 超时: 3 答案错误: 3 未遵循指令: 2 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 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 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#61#61	Gemini 3.1 Flash Litelow	7.2	Google	$0.028	1.89s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 61.9% 不稳定测试 2 输入令牌 36,892 输出令牌 2,732 推理令牌 9,260 响应时间（平均） 1.89s 响应时间（总计） 39.62s 响应时间（最大） 5.66s 答案错误: 9 反AI技巧 : 7.3 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
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
查看模型卡片总测试数 20 错误测试数 9 可靠性 10.0 尝试通过率 56.7% 不稳定测试 1 输入令牌 34,431 输出令牌 91,587 推理令牌 195,973 响应时间（平均） 72.53s 响应时间（总计） 1015.47s 响应时间（最大） 453.94s 答案错误: 4 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 3.5 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 : 8.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#63#63	GPT-5.3 Chatnone	7.2	OpenAI	$0.433	6.34s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 5 输入令牌 34,209 输出令牌 26,617 推理令牌 0 响应时间（平均） 6.34s 响应时间（总计） 133.13s 响应时间（最大） 18.33s 答案错误: 7 未遵循指令: 2 反AI技巧 : 6.7 编程 : 5.6 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#64#64	MiMo-V2-Flashmedium	7.2	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 65.1% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 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 : 6.0 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 常识问答 : 3.0
#65#65	Grok 4.20medium	7.1	X AI	$0.609 ↓	27.68s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 63.5% 不稳定测试 3 输入令牌 44,433 输出令牌 1,819 推理令牌 219,524 响应时间（平均） 27.68s 响应时间（总计） 581.26s 响应时间（最大） 199.66s 答案错误: 6 未遵循指令: 2 额外格式: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#66#66	Qwen3.5-35B-A3Bmedium	7.1	Qwen	$0.401 ↓	72.57s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 69.8% 不稳定测试 6 输入令牌 42,196 输出令牌 40,630 推理令牌 353,577 响应时间（平均） 72.57s 响应时间（总计） 1524.04s 响应时间（最大） 409.98s 超时: 5 无答案: 2 答案错误: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 5.9 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 61.9% 不稳定测试 2 输入令牌 67,104 输出令牌 8,107 推理令牌 0 响应时间（平均） 3.47s 响应时间（总计） 72.90s 响应时间（最大） 17.73s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.5 数据解析与提取 : 7.3 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 : 10.0 常识问答 : 3.0

←

1 2 3 4 5 6

→

快速对比

AI 基准排行榜

筛选模型

快速对比