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）
#314#314	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 69.6% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 87.0% 不稳定测试 2 输入令牌 191,653 输出令牌 5,473 推理令牌 17,084 响应时间（平均） 11.13s 响应时间（总计） 256.08s 响应时间（最大） 57.11s 答案错误: 4 智能体任务 : 10.0 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 : 5.3 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 10.0
#20#20	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 91.3% 不稳定测试 3 输入令牌 191,341 输出令牌 5,665 推理令牌 32,340 响应时间（平均） 14.57s 响应时间（总计） 335.16s 响应时间（最大） 79.40s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 4.7
#22#22	GPT-5.6 Solhigh	9.5	OpenAI	$1.595 ↑	13.59s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 89.9% 不稳定测试 3 输入令牌 195,567 输出令牌 5,841 推理令牌 26,230 响应时间（平均） 13.59s 响应时间（总计） 312.61s 响应时间（最大） 59.99s 答案错误: 4 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 : 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 : 4.7
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 88.4% 不稳定测试 2 输入令牌 308,056 输出令牌 9,434 推理令牌 15,572 响应时间（平均） 25.68s 响应时间（总计） 590.71s 响应时间（最大） 89.16s 答案错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 10.0 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 87.0% 不稳定测试 2 输入令牌 319,095 输出令牌 10,371 推理令牌 32,411 响应时间（平均） 27.55s 响应时间（总计） 633.73s 响应时间（最大） 95.95s 答案错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 82.6% 不稳定测试 0 输入令牌 376,421 输出令牌 67,688 推理令牌 37,974 响应时间（平均） 25.31s 响应时间（总计） 582.11s 响应时间（最大） 159.01s 答案错误: 2 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#28#28	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 84.1% 不稳定测试 1 输入令牌 356,605 输出令牌 26,715 推理令牌 17,041 响应时间（平均） 13.24s 响应时间（总计） 304.46s 响应时间（最大） 78.80s 答案错误: 3 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 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 常识问答 : 3.0
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 88.4% 不稳定测试 3 输入令牌 180,959 输出令牌 6,472 推理令牌 123,635 响应时间（平均） 39.86s 响应时间（总计） 916.82s 响应时间（最大） 332.10s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.8 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 : 10.0 工具调用 : 10.0 常识问答 : 2.8
#41#41	Paretodefault	9.1	Unbiased	$1.520	33.47s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 87.0% 不稳定测试 2 输入令牌 223,559 输出令牌 128,144 推理令牌 0 响应时间（平均） 33.47s 响应时间（总计） 769.84s 响应时间（最大） 143.33s 答案错误: 3 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 : 7.2 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 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#45#45	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 2 输入令牌 244,533 输出令牌 3,450 推理令牌 39,280 响应时间（平均） 7.85s 响应时间（总计） 180.45s 响应时间（最大） 53.74s 答案错误: 3 无效工具调用: 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 : 5.3 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#49#49	Gemini 4 Argonmedium	9.0	Google	$0.674	6.63s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 84.1% 不稳定测试 1 输入令牌 215,326 输出令牌 6,668 推理令牌 17,615 响应时间（平均） 6.63s 响应时间（总计） 152.50s 响应时间（最大） 62.49s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.4 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 : 9.8 常识问答 : 3.0
#50#50	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 84.1% 不稳定测试 1 输入令牌 352,845 输出令牌 16,553 推理令牌 7,007 响应时间（平均） 9.87s 响应时间（总计） 226.95s 响应时间（最大） 73.15s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 7.8 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#51#51	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 89.9% 不稳定测试 3 输入令牌 197,570 输出令牌 6,364 推理令牌 50,704 响应时间（平均） 6.82s 响应时间（总计） 156.81s 响应时间（最大） 48.53s 答案错误: 4 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 7.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 82.6% 不稳定测试 0 输入令牌 376,233 输出令牌 6,687 推理令牌 305,927 响应时间（平均） 87.48s 响应时间（总计） 2012.15s 响应时间（最大） 618.49s 答案错误: 3 无答案: 1 智能体任务 : 5.0 反AI技巧 : 10.0 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#80#80	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 1 输入令牌 487,516 输出令牌 10,212 推理令牌 909,487 响应时间（平均） 61.71s 响应时间（总计） 1419.40s 响应时间（最大） 288.94s 无答案: 3 答案错误: 1 智能体任务 : 4.7 反AI技巧 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 2 输入令牌 348,103 输出令牌 11,045 推理令牌 234,967 响应时间（平均） 18.59s 响应时间（总计） 427.52s 响应时间（最大） 145.92s 无效工具调用: 2 答案错误: 2 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 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 : 9.8 常识问答 : 10.0
#111#111	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
查看模型卡片总测试数 23 错误测试数 4 可靠性 9.9 尝试通过率 89.9% 不稳定测试 3 输入令牌 187,331 输出令牌 7,555 推理令牌 159,931 响应时间（平均） 16.64s 响应时间（总计） 382.64s 响应时间（最大） 108.60s 答案错误: 2 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 8.2 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
#116#116	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 85.5% 不稳定测试 1 输入令牌 144,676 输出令牌 8,184 推理令牌 32,282 响应时间（平均） 13.30s 响应时间（总计） 305.83s 响应时间（最大） 40.17s 答案错误: 3 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 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
#383#383	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
查看模型卡片总测试数 16 错误测试数 3 可靠性不适用尝试通过率 56.5% 不稳定测试 0 输入令牌 28,980 输出令牌 1,283 推理令牌 1,533,310 响应时间（平均） 68.14s 响应时间（总计） 1090.28s 响应时间（最大） 280.52s 答案错误: 2 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 7.5 编程 : 0.0 综合 : 5.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 0.0
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 2 输入令牌 241,855 输出令牌 8,387 推理令牌 600,946 响应时间（平均） 161.25s 响应时间（总计） 3708.70s 响应时间（最大） 739.98s 答案错误: 3 无答案: 2 智能体任务 : 10.0 反AI技巧 : 8.2 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 82.6% 不稳定测试 2 输入令牌 484,627 输出令牌 11,026 推理令牌 747,681 响应时间（平均） 84.26s 响应时间（总计） 1937.91s 响应时间（最大） 488.39s 无答案: 3 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 5.1 指令遵循 : 8.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 1 输入令牌 276,512 输出令牌 8,152 推理令牌 96,444 响应时间（平均） 27.34s 响应时间（总计） 628.75s 响应时间（最大） 126.60s 答案错误: 4 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 : 8.7 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
查看模型卡片总测试数 23 错误测试数 5 可靠性 9.8 尝试通过率 87.0% 不稳定测试 3 输入令牌 328,637 输出令牌 8,619 推理令牌 432,733 响应时间（平均） 186.06s 响应时间（总计） 4279.49s 响应时间（最大） 912.78s 答案错误: 2 未遵循指令: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#38#38	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 2 输入令牌 394,509 输出令牌 10,349 推理令牌 188,919 响应时间（平均） 16.58s 响应时间（总计） 381.40s 响应时间（最大） 92.74s 答案错误: 2 额外格式: 1 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 5.0 指令遵循 : 10.0 谜题求解 : 7.6 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