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）
#125#125	GPT-5.4none	5.5	OpenAI	$0.122	1.42s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 36.5% 不稳定测试 2 输入令牌 34,212 输出令牌 2,417 推理令牌 0 响应时间（平均） 1.42s 响应时间（总计） 29.87s 响应时间（最大） 2.95s 答案错误: 13 未遵循指令: 1 反AI技巧 : 3.2 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 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#16#16	Gemini 3 Flash Previewlow	8.4	Google	$0.111	5.76s
查看模型卡片总测试数 21 错误测试数 5 可靠性 10.0 尝试通过率 79.4% 不稳定测试 2 输入令牌 36,769 输出令牌 2,076 推理令牌 28,518 响应时间（平均） 5.76s 响应时间（总计） 120.93s 响应时间（最大） 14.72s 答案错误: 5 反AI技巧 : 10.0 编程 : 5.8 综合 : 3.0 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#32#32	Gemini 3.5 Flashminimal	7.7	Google	$0.108	1.57s
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 68.3% 不稳定测试 1 输入令牌 39,847 输出令牌 5,277 推理令牌 0 响应时间（平均） 1.57s 响应时间（总计） 33.02s 响应时间（最大） 5.51s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 10.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#70#70	GPT-5.4 Nanomedium	7.0	OpenAI	$0.107	11.95s
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 63.5% 不稳定测试 4 输入令牌 35,434 输出令牌 3,014 推理令牌 76,520 响应时间（平均） 11.95s 响应时间（总计） 250.98s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 工具调用 : 10.0 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
#106#106	Grok 4.20 Betanone	5.8	X AI	$0.087 ↓	1.19s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 37.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 7.7 工具调用 : 10.0
#94#94	GPT-5 Nanomedium	6.3	OpenAI	$0.081	42.51s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 57.1% 不稳定测试 7 输入令牌 34,108 输出令牌 5,464 推理令牌 192,064 响应时间（平均） 42.51s 响应时间（总计） 595.09s 响应时间（最大） 204.02s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 10.0 数据解析与提取 : 3.7 领域专项 : 5.2 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 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
#124#124	Kimi K2.6none	5.5	Moonshot AI	$0.079 ↓	13.27s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 36.5% 不稳定测试 2 输入令牌 32,916 输出令牌 16,410 推理令牌 0 响应时间（平均） 13.27s 响应时间（总计） 278.57s 响应时间（最大） 238.89s 答案错误: 11 未遵循指令: 3 反AI技巧 : 4.6 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 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#103#103	DeepSeek V4 Prohigh	6.0	DeepSeek	$0.079 ↓	65.21s
查看模型卡片总测试数 21 错误测试数 13 可靠性 9.0 尝试通过率 52.4% 不稳定测试 6 输入令牌 32,240 输出令牌 12,250 推理令牌 72,257 响应时间（平均） 65.21s 响应时间（总计） 1304.19s 响应时间（最大） 358.35s API 错误: 5 答案错误: 4 超时: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 3.3 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#74#74	Qwen3.6 Max Previewnone	6.9	Qwen	$0.075 ↓	3.30s
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 58.7% 不稳定测试 2 输入令牌 42,509 输出令牌 4,779 推理令牌 0 响应时间（平均） 3.30s 响应时间（总计） 69.40s 响应时间（最大） 20.51s 答案错误: 10 反AI技巧 : 5.2 编程 : 3.8 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 10.0 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
#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
#86#86	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
#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
#132#132	Mistral Small 4medium	5.3	Mistral	$0.068	9.40s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 44.4% 不稳定测试 8 输入令牌 42,576 输出令牌 24,184 推理令牌 84,678 响应时间（平均） 9.40s 响应时间（总计） 197.39s 响应时间（最大） 59.15s 答案错误: 12 API 错误: 2 未遵循指令: 2 反AI技巧 : 5.6 编程 : 4.4 综合 : 3.0 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 : 7.3 谜题求解 : 3.4 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
#112#112	GLM 5.1none	5.7	Z.ai	$0.058 ↓	4.10s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 41.3% 不稳定测试 4 输入令牌 47,133 输出令牌 3,754 推理令牌 0 响应时间（平均） 4.10s 响应时间（总计） 86.18s 响应时间（最大） 32.57s 答案错误: 13 无效工具调用: 1 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#81#81	Mercury 2medium	6.6	Inception	$0.058	2.24s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 54.0% 不稳定测试 3 输入令牌 35,116 输出令牌 4,048 推理令牌 61,219 响应时间（平均） 2.24s 响应时间（总计） 44.72s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 反AI技巧 : 6.9 编程 : 8.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 33.3% 不稳定测试 0 输入令牌 41,313 输出令牌 1,923 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 19.96s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.3 工具调用 : 10.0
#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
#158#158	GLM 4.7 Flashmedium	4.4	Z.ai	$0.054	35.10s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 33.3% 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 超时: 2 无效工具调用: 1 反AI技巧 : 4.7 编程 : 3.2 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
#109#109	GLM 5V Turbonone	5.8	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 38.1% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 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 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#82#82	Hy3 previewhigh	6.6	Tencent	$0.048	56.57s
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 55.6% 不稳定测试 2 输入令牌 25,987 输出令牌 216,719 推理令牌 0 响应时间（平均） 56.57s 响应时间（总计） 848.59s 响应时间（最大） 149.94s API 错误: 7 答案错误: 3 反AI技巧 : 6.4 编程 : 5.3 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#134#134	GLM 5 Turbonone	5.2	Z.ai	$0.047 ↑	2.82s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 31.8% 不稳定测试 2 输入令牌 32,525 输出令牌 1,815 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 59.29s 响应时间（最大） 8.21s 答案错误: 13 未遵循指令: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.0 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 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#120#120	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 41.3% 不稳定测试 3 输入令牌 39,344 输出令牌 2,352 推理令牌 0 响应时间（平均） 2.27s 响应时间（总计） 45.50s 响应时间（最大） 6.58s 答案错误: 11 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 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 : 4.3 指令遵循 : 6.5 谜题求解 : 6.0 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
#72#72	DeepSeek V3.2medium	7.0	DeepSeek	$0.044 ↓	68.71s
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 65.1% 不稳定测试 6 输入令牌 38,333 输出令牌 7,186 推理令牌 99,081 响应时间（平均） 68.71s 响应时间（总计） 1442.81s 响应时间（最大） 376.10s 答案错误: 5 API 错误: 2 超时: 2 未遵循指令: 1 反AI技巧 : 8.2 编程 : 6.0 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 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#73#73	Seed-2.0-Minimedium	6.9	Bytedance Seed	$0.044	80.22s
查看模型卡片总测试数 21 错误测试数 10 可靠性 6.7 尝试通过率 57.1% 不稳定测试 2 输入令牌 41,904 输出令牌 2,555 推理令牌 95,974 响应时间（平均） 80.22s 响应时间（总计） 1363.72s 响应时间（最大） 262.83s 超时: 5 答案错误: 4 未遵循指令: 1 反AI技巧 : 6.6 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 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#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

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 PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium免费可用 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比