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）
#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
#30#30	GPT-5.2 Chatnone	7.9	OpenAI	$0.352	6.82s
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 3 输入令牌 31,593 输出令牌 21,144 推理令牌 0 响应时间（平均） 6.82s 响应时间（总计） 136.34s 响应时间（最大） 38.52s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.7 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 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#33#33	Grok 4.3medium	7.8	X AI	$0.593	49.23s
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 41,532 输出令牌 1,485 推理令牌 214,710 响应时间（平均） 49.23s 响应时间（总计） 984.52s 响应时间（最大） 216.69s 答案错误: 4 未遵循指令: 2 额外格式: 1 反AI技巧 : 10.0 编程 : 7.4 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
#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
#35#35	Gemini 3.1 Flash Lite Previewmedium	7.7	Google	$0.063	3.94s
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 65.0% 不稳定测试 0 输入令牌 34,781 输出令牌 2,204 推理令牌 33,657 响应时间（平均） 3.94s 响应时间（总计） 78.74s 响应时间（最大） 14.93s 答案错误: 6 未遵循指令: 1 反AI技巧 : 9.1 编程 : 6.8 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
#36#36	Gemini 3.1 Flash Litemedium	7.7	Google	$0.065	3.18s
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 33,803 输出令牌 2,248 推理令牌 35,390 响应时间（平均） 3.18s 响应时间（总计） 63.55s 响应时间（最大） 10.87s 答案错误: 6 未遵循指令: 1 反AI技巧 : 9.1 编程 : 6.8 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
#37#37	Gemini 2.5 Flashmedium	7.7	Google	$0.358	15.57s
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 1 输入令牌 31,473 输出令牌 1,924 推理令牌 137,255 响应时间（平均） 15.57s 响应时间（总计） 311.47s 响应时间（最大） 95.48s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.4 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#38#38	Qwen3.5-122B-A10Bmedium	7.7	Qwen	$0.509 ↓	39.40s
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 71.7% 不稳定测试 3 输入令牌 38,997 输出令牌 26,166 推理令牌 213,524 响应时间（平均） 39.40s 响应时间（总计） 788.00s 响应时间（最大） 168.16s 答案错误: 5 超时: 2 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 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#39#39	Gemini 3 Flash Previewnone	7.7	Google	$0.023	1.70s
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 70.0% 不稳定测试 2 输入令牌 34,008 输出令牌 1,879 推理令牌 0 响应时间（平均） 1.70s 响应时间（总计） 22.05s 响应时间（最大） 3.56s 答案错误: 7 反AI技巧 : 8.3 编程 : 6.8 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
#40#40	Grok Build 0.1medium	7.7	X AI	$0.729	42.39s
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 65.0% 不稳定测试 0 输入令牌 41,496 输出令牌 2,258 推理令牌 341,381 响应时间（平均） 42.39s 响应时间（总计） 847.76s 响应时间（最大） 252.69s 答案错误: 4 额外格式: 3 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 : 5.3 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
#44#44	Gemini 3.1 Flash Lite Previewlow	7.6	Google	$0.025	2.85s
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 65.0% 不稳定测试 0 输入令牌 29,708 输出令牌 2,280 推理令牌 8,829 响应时间（平均） 2.85s 响应时间（总计） 57.08s 响应时间（最大） 11.91s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.3 编程 : 6.8 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
#47#47	Claude Sonnet 4.6medium	7.6	Anthropic	$1.330	15.81s
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 66.7% 不稳定测试 1 输入令牌 45,947 输出令牌 49,891 推理令牌 29,565 响应时间（平均） 15.81s 响应时间（总计） 189.71s 响应时间（最大） 46.35s 额外格式: 3 答案错误: 3 超时: 1 反AI技巧 : 6.5 编程 : 7.2 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
#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
#42#42	DeepSeek V4 Flashhigh	7.6	DeepSeek	$0.027 ↓	46.36s
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 73.3% 不稳定测试 4 输入令牌 37,156 输出令牌 10,302 推理令牌 115,740 响应时间（平均） 46.36s 响应时间（总计） 927.27s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.8 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 : 8.2 工具调用 : 10.0 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
#45#45	Qwen3.5-Flashmedium	7.6	Qwen	$0.074 ↓	63.04s
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 75.0% 不稳定测试 5 输入令牌 37,036 输出令牌 2,074 推理令牌 272,063 响应时间（平均） 63.04s 响应时间（总计） 1197.71s 响应时间（最大） 234.29s 超时: 3 答案错误: 3 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 : 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
#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
#48#48	Qwen3.5 Plus 2026-04-20medium	7.5	Qwen	$0.287 ↓	43.65s
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 65.0% 不稳定测试 2 输入令牌 39,262 输出令牌 2,259 推理令牌 150,249 响应时间（平均） 43.65s 响应时间（总计） 872.90s 响应时间（最大） 189.38s 答案错误: 8 反AI技巧 : 10.0 编程 : 4.3 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
#49#49	Gemini 3.1 Flash Lite Previewnone	7.5	Google	$0.017	1.23s
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 1 输入令牌 34,579 输出令牌 5,541 推理令牌 0 响应时间（平均） 1.23s 响应时间（总计） 24.68s 响应时间（最大） 3.39s 答案错误: 6 未遵循指令: 2 反AI技巧 : 7.5 编程 : 6.8 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
#50#50	Kimi K2.6medium	7.4	Moonshot AI	$0.803 ↓	54.03s
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 28,584 输出令牌 102,208 推理令牌 229,120 响应时间（平均） 54.03s 响应时间（总计） 1026.57s 响应时间（最大） 215.85s 答案错误: 3 未遵循指令: 2 超时: 2 无答案: 1 反AI技巧 : 7.0 编程 : 6.8 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 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#51#51	Gemini 3.1 Flash Litelow	7.4	Google	$0.026	1.92s
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 65.0% 不稳定测试 2 输入令牌 33,889 输出令牌 2,726 推理令牌 8,951 响应时间（平均） 1.92s 响应时间（总计） 38.45s 响应时间（最大） 5.66s 答案错误: 8 反AI技巧 : 7.3 编程 : 6.8 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	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
#53#53	GPT-5.3 Chatnone	7.4	OpenAI	$0.402	6.13s
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 4 输入令牌 31,590 输出令牌 24,757 推理令牌 0 响应时间（平均） 6.13s 响应时间（总计） 122.61s 响应时间（最大） 18.33s 答案错误: 6 未遵循指令: 2 反AI技巧 : 6.7 编程 : 6.9 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
#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
#56#56	Step 3.7 Flashlow	7.4	Stepfun	$0.336	16.06s
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 37,458 输出令牌 285,209 推理令牌 0 响应时间（平均） 16.06s 响应时间（总计） 321.11s 响应时间（最大） 124.75s 答案错误: 7 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 : 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	Qwen3.6 35B A3Bmedium	7.3	Qwen	$0.130 ↑	17.26s
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 61.7% 不稳定测试 1 输入令牌 13,550 输出令牌 18,304 推理令牌 115,531 响应时间（平均） 17.26s 响应时间（总计） 310.65s 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 : 6.6 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
#59#59	GPT-5.2medium	7.3	OpenAI	$0.492	16.50s
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 31,348 输出令牌 2,880 推理令牌 28,289 响应时间（平均） 16.50s 响应时间（总计） 214.45s 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
#62#62	Claude Opus 4.8none	7.3	Anthropic	$0.519	3.51s
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 65.0% 不稳定测试 2 输入令牌 63,282 输出令牌 8,098 推理令牌 0 响应时间（平均） 3.51s 响应时间（总计） 70.19s 响应时间（最大） 17.73s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 6.8 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
#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
#55#55	Step 3.5 Flashmedium	7.4	Stepfun	$0.062 ↑	43.20s
查看模型卡片总测试数 19 错误测试数 8 可靠性 10.0 尝试通过率 59.7% 不稳定测试 1 输入令牌 33,555 输出令牌 90,478 推理令牌 173,544 响应时间（平均） 43.20s 响应时间（总计） 561.54s 响应时间（最大） 170.45s 答案错误: 4 未遵循指令: 3 无答案: 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

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