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）
#69#69	Claude Opus 4.6medium	7.0	Anthropic	$2.053	25.89s
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 61.9% 不稳定测试 3 输入令牌 53,227 输出令牌 47,446 推理令牌 24,000 响应时间（平均） 25.89s 响应时间（总计） 362.49s 响应时间（最大） 83.40s 额外格式: 5 答案错误: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 5.7 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
#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
#71#71	Step 3.7 Flashhigh	7.0	Stepfun	$1.148	64.46s
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 38,391 输出令牌 991,355 推理令牌 0 响应时间（平均） 64.46s 响应时间（总计） 1353.57s 响应时间（最大） 364.99s 答案错误: 6 无答案: 4 反AI技巧 : 10.0 编程 : 4.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.5 指令遵循 : 9.8 谜题求解 : 5.3 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
#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
#75#75	Ring-2.6-1Tmedium	6.9	Inclusionai	$0.033 ↕	61.29s
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 60.3% 不稳定测试 3 输入令牌 35,892 输出令牌 21,752 推理令牌 42,754 响应时间（平均） 61.29s 响应时间（总计） 1164.50s 响应时间（最大） 304.19s 答案错误: 6 API 错误: 2 未遵循指令: 2 反AI技巧 : 10.0 编程 : 5.3 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 3.5 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#76#76	Kimi K2.5medium	6.8	Moonshot AI	$0.328 ↓	98.43s
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 68.3% 不稳定测试 8 输入令牌 34,312 输出令牌 48,379 推理令牌 157,747 响应时间（平均） 98.43s 响应时间（总计） 1378.03s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 反AI技巧 : 7.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#77#77	Claude Sonnet 4.6none	6.8	Anthropic	$0.316	5.04s
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 1 输入令牌 57,886 输出令牌 9,465 推理令牌 0 响应时间（平均） 5.04s 响应时间（总计） 70.60s 响应时间（最大） 23.84s 答案错误: 5 额外格式: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#78#78	Qwen3.6 27Bmedium	6.8	Qwen	$0.444 ↑	59.71s
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 60.3% 不稳定测试 5 输入令牌 39,376 输出令牌 16,189 推理令牌 122,521 响应时间（平均） 59.71s 响应时间（总计） 1254.01s 响应时间（最大） 168.22s 答案错误: 6 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 7.7 综合 : 7.0 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
#80#80	Mimo V2 Omnimedium	6.7	Xiaomi	$0.683 ↓	41.16s
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 55.6% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 3.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 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
#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
#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
#85#85	Gemma 4 31Bnone	6.5	Google	$0.004 ↓	4.05s
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 47.6% 不稳定测试 0 输入令牌 20,911 输出令牌 1,407 推理令牌 0 响应时间（平均） 4.05s 响应时间（总计） 76.87s 响应时间（最大） 26.13s 答案错误: 8 API 错误: 2 未遵循指令: 1 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 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 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
#87#87	Gemini 3.1 Flash Liteminimal	6.4	Google	$0.013	1.33s
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 36,973 输出令牌 2,487 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 27.91s 响应时间（最大） 4.49s 答案错误: 8 未遵循指令: 3 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#88#88	Qwen3.7 Plusnone	6.4	Qwen	$0.028	2.85s
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 47.6% 不稳定测试 0 输入令牌 42,510 输出令牌 6,578 推理令牌 0 响应时间（平均） 2.85s 响应时间（总计） 59.86s 响应时间（最大） 29.38s 答案错误: 10 未遵循指令: 1 反AI技巧 : 6.5 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 : 5.3 指令遵循 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#89#89	Hy3 previewlow	6.4	Tencent	$0.015 ↕	24.56s
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 52.4% 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: 7 答案错误: 4 反AI技巧 : 8.3 编程 : 5.3 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	Gemini 3.1 Flash Litenone	6.4	Google	$0.013	1.06s
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 52.4% 不稳定测试 4 输入令牌 36,710 输出令牌 2,484 推理令牌 0 响应时间（平均） 1.06s 响应时间（总计） 22.35s 响应时间（最大） 2.97s 答案错误: 11 未遵循指令: 1 反AI技巧 : 7.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#91#91	GPT-5.5none	6.4	OpenAI	$0.231	1.89s
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 34,212 输出令牌 1,971 推理令牌 0 响应时间（平均） 1.89s 响应时间（总计） 39.64s 响应时间（最大） 5.56s 答案错误: 11 反AI技巧 : 6.9 编程 : 5.5 综合 : 3.0 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#92#92	Laguna M.1medium	6.4	Poolside	$0.000	14.73s
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 52.6% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 4.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#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
#95#95	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.016 ↓	2.31s
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 46.0% 不稳定测试 2 输入令牌 45,864 输出令牌 2,480 推理令牌 0 响应时间（平均） 2.31s 响应时间（总计） 34.63s 响应时间（最大） 6.65s 答案错误: 12 反AI技巧 : 4.8 编程 : 4.3 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#96#96	Ring-2.6-1Tnone	6.2	Inclusionai	$0.026 ↕	55.10s
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 47.6% 不稳定测试 2 输入令牌 7,599 输出令牌 39,954 推理令牌 0 响应时间（平均） 55.10s 响应时间（总计） 881.55s 响应时间（最大） 143.82s API 错误: 5 答案错误: 5 未遵循指令: 2 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#97#97	Gemini 2.5 Flashnone	6.2	Google	$0.016	875ms
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 46.0% 不稳定测试 1 输入令牌 35,926 输出令牌 1,770 推理令牌 0 响应时间（平均） 875ms 响应时间（总计） 18.37s 响应时间（最大） 4.39s 答案错误: 12 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#98#98	GLM 5none	6.1	Z.ai	$0.027 ↑	4.03s
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 44.4% 不稳定测试 1 输入令牌 37,135 输出令牌 1,989 推理令牌 0 响应时间（平均） 4.03s 响应时间（总计） 56.37s 响应时间（最大） 11.07s 答案错误: 12 反AI技巧 : 4.8 编程 : 4.0 综合 : 3.0 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
#99#99	gpt-oss-120bmedium	6.1	OpenAI	$0.013 ↓	22.28s
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 52.4% 不稳定测试 5 输入令牌 39,084 输出令牌 20,013 推理令牌 50,233 响应时间（平均） 22.28s 响应时间（总计） 311.96s 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 : 5.9 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
#100#100	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
#101#101	Mimo V2 Omninone	6.0	Xiaomi	$0.021 ↓	2.44s
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 39.7% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 4.4 综合 : 3.0 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 : 6.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#102#102	Gemma 4 26B A4Bnone	6.0	Google	$0.004 ↓	5.91s
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 44.4% 不稳定测试 2 输入令牌 40,038 输出令牌 1,824 推理令牌 0 响应时间（平均） 5.91s 响应时间（总计） 124.05s 响应时间（最大） 57.10s 答案错误: 10 未遵循指令: 2 超时: 1 反AI技巧 : 8.3 编程 : 3.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0

←

1 2 3 4 5 6

→

快速对比

AI 基准排行榜

筛选模型

快速对比