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：: 2026-06-03 已评估模型: 161

161/161

排名	模型	分数	公司	总成本	响应时间（平均）
#83#83	Step 3.5 Flashnone	6.6	Stepfun	$0.020	39.03s
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 50.0% 不稳定测试 0 输入令牌 1,971 输出令牌 64,795 推理令牌 0 响应时间（平均） 39.03s 响应时间（总计） 312.26s 响应时间（最大） 114.12s API 错误: 4 未遵循指令: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 10.0 通用智能 : 4.0 指令遵循 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#10#10	GPT-5.5medium	8.7	OpenAI	$3.502	37.88s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 86.7% 不稳定测试 3 输入令牌 31,593 输出令牌 1,964 推理令牌 109,481 响应时间（平均） 37.88s 响应时间（总计） 757.66s 响应时间（最大） 332.10s 答案错误: 4 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 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 2.8
#16#16	Qwen3.7 Plusmedium	8.4	Qwen	$0.199	36.84s
查看模型卡片总测试数 20 错误测试数 5 可靠性 9.9 尝试通过率 80.0% 不稳定测试 2 输入令牌 38,104 输出令牌 2,107 推理令牌 112,479 响应时间（平均） 36.84s 响应时间（总计） 736.86s 响应时间（最大） 178.04s 答案错误: 4 超时: 1 反AI技巧 : 10.0 编程 : 6.5 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#20#20	Seed-2.0-Litemedium	8.1	Bytedance Seed	$0.152	36.67s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 75.0% 不稳定测试 3 输入令牌 43,785 输出令牌 3,224 推理令牌 67,040 响应时间（平均） 36.67s 响应时间（总计） 733.46s 响应时间（最大） 168.71s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 7.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#22#22	Gemma 4 31Bmedium	8.0	Google	$0.028 ↓	35.39s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 73.3% 不稳定测试 1 输入令牌 15,899 输出令牌 19,602 推理令牌 49,686 响应时间（平均） 35.39s 响应时间（总计） 637.01s 响应时间（最大） 150.90s API 错误: 2 答案错误: 2 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 4.1 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#155#155	GLM 4.7 Flashmedium	4.5	Z.ai	$0.054	35.10s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 35.0% 不稳定测试 8 输入令牌 37,206 输出令牌 43,754 推理令牌 89,079 响应时间（平均） 35.10s 响应时间（总计） 456.24s 响应时间（最大） 174.55s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 1 超时: 1 反AI技巧 : 4.7 编程 : 3.4 综合 : 2.8 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
#52#52	GLM 5.1medium	7.4	Z.ai	$0.279 ↓	33.45s
查看模型卡片总测试数 20 错误测试数 8 可靠性 5.0 尝试通过率 68.3% 不稳定测试 3 输入令牌 30,397 输出令牌 11,511 推理令牌 71,979 响应时间（平均） 33.45s 响应时间（总计） 635.63s 响应时间（最大） 172.60s 答案错误: 4 超时: 2 API 错误: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.6 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 常识问答 : 3.0
#18#18	GLM 5medium	8.2	Z.ai	$0.212 ↓	32.67s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 81.7% 不稳定测试 4 输入令牌 32,626 输出令牌 21,558 推理令牌 95,772 响应时间（平均） 32.67s 响应时间（总计） 392.01s 响应时间（最大） 99.85s 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#128#128	MiniMax M2.7medium	5.4	Minimax	$0.104 ↓	29.86s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 48.3% 不稳定测试 8 输入令牌 33,493 输出令牌 8,224 推理令牌 73,373 响应时间（平均） 29.86s 响应时间（总计） 567.39s 响应时间（最大） 117.04s 答案错误: 6 未遵循指令: 5 超时: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.9 编程 : 6.7 综合 : 4.7 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#101#101	Grok Build 0.1none	6.0	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 50.9% 不稳定测试 4 输入令牌 11,793 输出令牌 267,275 推理令牌 0 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.0 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#137#137	DeepSeek V4 Flashnone	5.1	DeepSeek	$0.008 ↓	27.97s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 31.7% 不稳定测试 3 输入令牌 47,538 输出令牌 13,700 推理令牌 0 响应时间（平均） 27.97s 响应时间（总计） 559.36s 响应时间（最大） 111.96s 答案错误: 11 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 4.8 综合 : 4.5 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 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#34#34	Qwen3.6 Plusmedium	7.8	Qwen	$0.260 ↑	26.81s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 68.3% 不稳定测试 2 输入令牌 38,730 输出令牌 1,833 推理令牌 124,782 响应时间（平均） 26.81s 响应时间（总计） 509.43s 响应时间（最大） 201.68s 答案错误: 5 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 4.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#64#64	Claude Opus 4.6medium	7.2	Anthropic	$1.896	25.45s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 63.3% 不稳定测试 2 输入令牌 50,062 输出令牌 42,254 推理令牌 23,554 响应时间（平均） 25.45s 响应时间（总计） 330.91s 响应时间（最大） 83.40s 额外格式: 4 答案错误: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 7.2 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
#85#85	Hy3 previewlow	6.6	Tencent	$0.015	24.56s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 55.0% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 6 答案错误: 4 反AI技巧 : 8.3 编程 : 6.5 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#90#90	Grok 4.1 Fastmedium	6.5	X AI	$0.069 ↑	23.85s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 61.4% 不稳定测试 6 输入令牌 42,845 输出令牌 2,006 推理令牌 96,334 响应时间（平均） 23.85s 响应时间（总计） 286.16s 响应时间（最大） 121.79s 未遵循指令: 4 答案错误: 4 无答案: 1 超时: 1 反AI技巧 : 8.7 编程 : 2.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#68#68	GPT-5 Minimedium	7.2	OpenAI	$0.149	23.75s
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 61.7% 不稳定测试 2 输入令牌 34,481 输出令牌 6,723 推理令牌 63,082 响应时间（平均） 23.75s 响应时间（总计） 475.03s 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
#29#29	GLM 5 Turbomedium	7.9	Z.ai	$0.285 ↑	22.65s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 73.3% 不稳定测试 4 输入令牌 32,995 输出令牌 12,228 推理令牌 53,503 响应时间（平均） 22.65s 响应时间（总计） 453.09s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 7.3 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 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#103#103	gpt-oss-120bmedium	5.9	OpenAI	$0.012 ↓	22.41s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 50.0% 不稳定测试 5 输入令牌 36,355 输出令牌 17,495 推理令牌 46,878 响应时间（平均） 22.41s 响应时间（总计） 291.35s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 反AI技巧 : 6.7 编程 : 3.9 综合 : 10.0 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 3.0
#27#27	GPT-5.4medium	7.9	OpenAI	$1.140	22.31s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 75.0% 不稳定测试 4 输入令牌 31,489 输出令牌 2,221 推理令牌 68,486 响应时间（平均） 22.31s 响应时间（总计） 446.17s 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 : 8.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#46#46	Mimo V2 PROmedium	7.6	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 20 错误测试数 8 可靠性 9.6 尝试通过率 76.7% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 7.5 综合 : 4.7 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#60#60	GPT-5.4 Minimedium	7.3	OpenAI	$0.486	22.10s
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 71.7% 不稳定测试 5 输入令牌 31,497 输出令牌 2,160 推理令牌 100,548 响应时间（平均） 22.10s 响应时间（总计） 442.09s 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 : 7.5 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
#43#43	MiMo-V2.5-Promedium	7.6	Xiaomi	$0.090 ↓	21.79s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 3 输入令牌 39,096 输出令牌 5,004 推理令牌 80,295 响应时间（平均） 21.79s 响应时间（总计） 435.79s 响应时间（最大） 130.77s 额外格式: 3 答案错误: 3 未遵循指令: 2 反AI技巧 : 10.0 编程 : 7.0 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
#126#126	gpt-oss-120bnone	5.4	OpenAI	$0.010 ↓	21.61s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 38.6% 不稳定测试 2 输入令牌 9,081 输出令牌 51,664 推理令牌 0 响应时间（平均） 21.61s 响应时间（总计） 345.79s 响应时间（最大） 113.71s 答案错误: 8 API 错误: 3 未遵循指令: 2 反AI技巧 : 6.5 编程 : 4.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 3.0 常识问答 : 3.0
#102#102	Nemotron 3 Supermedium	5.9	NVIDIA	$0.019 ↑	20.87s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 43.3% 不稳定测试 2 输入令牌 36,614 输出令牌 14,505 推理令牌 30,178 响应时间（平均） 20.87s 响应时间（总计） 375.66s 响应时间（最大） 87.80s 答案错误: 5 未遵循指令: 3 API 错误: 2 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#4#4	Gemini 3.1 Pro Previewmedium	9.3	Google	$1.006	20.77s
查看模型卡片总测试数 20 错误测试数 2 可靠性 10.0 尝试通过率 90.0% 不稳定测试 0 输入令牌 38,614 输出令牌 1,971 推理令牌 75,384 响应时间（平均） 20.77s 响应时间（总计） 269.96s 响应时间（最大） 88.68s 答案错误: 2 反AI技巧 : 10.0 编程 : 7.0 综合 : 9.5 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 : 10.0
#54#54	MiMo-V2.5medium	7.4	Xiaomi	$0.052 ↓	20.35s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 70.0% 不稳定测试 4 输入令牌 39,201 输出令牌 2,806 推理令牌 161,888 响应时间（平均） 20.35s 响应时间（总计） 406.94s 响应时间（最大） 97.49s 答案错误: 4 额外格式: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.9 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
#70#70	MiMo-V2-Flashmedium	7.1	Xiaomi	$0.040 ↑	20.28s
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 63.3% 不稳定测试 3 输入令牌 37,474 输出令牌 12,458 推理令牌 115,182 响应时间（平均） 20.28s 响应时间（总计） 283.87s 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 : 4.1 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
#57#57	GLM 5V Turbomedium	7.4	Z.ai	$0.407	20.21s
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 68.3% 不稳定测试 5 输入令牌 42,017 输出令牌 2,334 推理令牌 86,653 响应时间（平均） 20.21s 响应时间（总计） 404.14s 响应时间（最大） 95.88s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.8 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
#73#73	Grok 4.20medium	7.0	X AI	$0.450 ↓	19.08s
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 61.7% 不稳定测试 3 输入令牌 41,511 输出令牌 1,816 推理令牌 157,251 响应时间（平均） 19.08s 响应时间（总计） 381.60s 响应时间（最大） 105.80s 答案错误: 6 未遵循指令: 2 额外格式: 1 反AI技巧 : 8.2 编程 : 4.4 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
#41#41	Qwen3.6 Flashmedium	7.6	Qwen	$0.272 ↓	18.97s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 71.7% 不稳定测试 4 输入令牌 39,527 输出令牌 2,974 推理令牌 231,797 响应时间（平均） 18.97s 响应时间（总计） 379.49s 响应时间（最大） 122.87s 答案错误: 7 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.1 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

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比