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）
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.0 尝试通过率 65.2% 不稳定测试 5 输入令牌 297,321 输出令牌 8,997 推理令牌 423,853 响应时间（平均） 124.87s 响应时间（总计） 2871.96s 响应时间（最大） 675.30s 答案错误: 6 API 错误: 3 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.2 综合 : 7.3 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 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 73.9% 不稳定测试 6 输入令牌 310,049 输出令牌 6,094 推理令牌 566,221 响应时间（平均） 123.96s 响应时间（总计） 2851.07s 响应时间（最大） 775.64s 无答案: 4 答案错误: 3 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 5.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.6 尝试通过率 72.5% 不稳定测试 7 输入令牌 329,276 输出令牌 8,172 推理令牌 479,012 响应时间（平均） 122.19s 响应时间（总计） 2810.40s 响应时间（最大） 573.57s 无答案: 3 未遵循指令: 2 无效工具调用: 2 答案错误: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.0 综合 : 8.6 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 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 60.9% 不稳定测试 4 输入令牌 226,880 输出令牌 65,346 推理令牌 331,325 响应时间（平均） 121.25s 响应时间（总计） 2667.55s 响应时间（最大） 876.20s 答案错误: 4 超时: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.0 编程 : 5.7 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 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 75.4% 不稳定测试 4 输入令牌 295,642 输出令牌 115,041 推理令牌 353,398 响应时间（平均） 120.88s 响应时间（总计） 2780.16s 响应时间（最大） 532.28s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 313,881 输出令牌 123,706 推理令牌 388,328 响应时间（平均） 120.40s 响应时间（总计） 2769.16s 响应时间（最大） 534.21s 答案错误: 5 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 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 : 3.2 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
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 76.8% 不稳定测试 5 输入令牌 281,863 输出令牌 24,535 推理令牌 507,976 响应时间（平均） 118.83s 响应时间（总计） 2733.01s 响应时间（最大） 600.61s 答案错误: 5 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.3 综合 : 10.0 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 78.3% 不稳定测试 5 输入令牌 326,066 输出令牌 5,726 推理令牌 469,019 响应时间（平均） 117.65s 响应时间（总计） 2706.03s 响应时间（最大） 660.89s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.6 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 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.9 尝试通过率 55.1% 不稳定测试 5 输入令牌 262,387 输出令牌 7,344 推理令牌 338,881 响应时间（平均） 115.00s 响应时间（总计） 2645.11s 响应时间（最大） 560.39s 答案错误: 8 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 76.8% 不稳定测试 6 输入令牌 288,919 输出令牌 17,484 推理令牌 617,804 响应时间（平均） 114.73s 响应时间（总计） 2638.74s 响应时间（最大） 1026.43s 答案错误: 4 未遵循指令: 2 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.9 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
#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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 378,048 输出令牌 56,477 推理令牌 865,151 响应时间（平均） 111.54s 响应时间（总计） 2565.38s 响应时间（最大） 950.25s 无答案: 3 超时: 3 答案错误: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 7.4 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 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
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
查看模型卡片总测试数 23 错误测试数 20 可靠性 8.7 尝试通过率 26.1% 不稳定测试 6 输入令牌 387,323 输出令牌 48,562 推理令牌 410,431 响应时间（平均） 110.18s 响应时间（总计） 1873.00s 响应时间（最大） 569.97s 超时: 11 无答案: 3 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 5.1 编程 : 2.9 综合 : 3.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 2.8 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 62.3% 不稳定测试 7 输入令牌 264,147 输出令牌 34,419 推理令牌 253,480 响应时间（平均） 107.79s 响应时间（总计） 2479.26s 响应时间（最大） 1085.11s 答案错误: 5 无答案: 3 无效工具调用: 2 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.7 综合 : 6.7 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 71.0% 不稳定测试 1 输入令牌 224,367 输出令牌 27,095 推理令牌 242,256 响应时间（平均） 105.03s 响应时间（总计） 2310.63s 响应时间（最大） 912.19s 无答案: 2 超时: 2 答案错误: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 2.9 综合 : 6.3 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
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 72.5% 不稳定测试 6 输入令牌 301,749 输出令牌 1,033 推理令牌 620,023 响应时间（平均） 102.66s 响应时间（总计） 2361.10s 响应时间（最大） 674.08s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.3 尝试通过率 42.0% 不稳定测试 9 输入令牌 188,239 输出令牌 27,822 推理令牌 262,674 响应时间（平均） 102.32s 响应时间（总计） 1637.05s 响应时间（最大） 600.81s 答案错误: 7 超时: 5 未遵循指令: 3 无答案: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.9 编程 : 3.4 综合 : 3.7 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 244,499 输出令牌 8,744 推理令牌 375,349 响应时间（平均） 100.65s 响应时间（总计） 2314.88s 响应时间（最大） 626.58s 答案错误: 6 API 错误: 4 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 常识问答 : 3.0
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 71.0% 不稳定测试 4 输入令牌 287,538 输出令牌 118,266 推理令牌 346,758 响应时间（平均） 97.70s 响应时间（总计） 2247.18s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 72.5% 不稳定测试 6 输入令牌 249,486 输出令牌 14,481 推理令牌 288,249 响应时间（平均） 97.68s 响应时间（总计） 1562.81s 响应时间（最大） 304.85s 答案错误: 6 超时: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 6.6 综合 : 6.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.3 尝试通过率 59.4% 不稳定测试 6 输入令牌 153,399 输出令牌 7,803 推理令牌 179,098 响应时间（平均） 97.34s 响应时间（总计） 2238.73s 响应时间（最大） 587.08s API 错误: 8 答案错误: 3 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.2 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 47.8% 不稳定测试 6 输入令牌 347,980 输出令牌 121,898 推理令牌 720,302 响应时间（平均） 95.16s 响应时间（总计） 2188.74s 响应时间（最大） 540.96s 答案错误: 7 未遵循指令: 3 API 错误: 2 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 72.5% 不稳定测试 8 输入令牌 274,189 输出令牌 66,689 推理令牌 510,525 响应时间（平均） 94.16s 响应时间（总计） 2165.72s 响应时间（最大） 303.26s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 6.4 综合 : 7.3 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 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 1.5% 不稳定测试 1 输入令牌 114,874 输出令牌 1,992 推理令牌 23,529 响应时间（平均） 92.50s 响应时间（总计） 2127.40s 响应时间（最大） 128.54s API 错误: 22 答案错误: 1 智能体任务 : 2.8 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 81.2% 不稳定测试 5 输入令牌 271,242 输出令牌 11,803 推理令牌 397,838 响应时间（平均） 92.38s 响应时间（总计） 2124.67s 响应时间（最大） 482.30s API 错误: 2 答案错误: 2 额外格式: 1 无答案: 1 超时: 1 智能体任务 : 10.0 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 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 8.2 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