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：: 2026-04-24 已评估模型: 115

115/115

排名	模型	分数	公司	总成本	响应时间（平均）
#61#61	DeepSeek V4 Pronone	6.7	DeepSeek	$0.030	23.34s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 51.9% 不稳定测试: 1 输出令牌: 1,611 推理令牌: 0 响应时间：平均 23.34s · 总计 420.04s · 最大 109.46s 答案错误: 6 额外格式: 2 未遵循指令: 1 反AI技巧 : 4.8 编程 : 10.0 综合 : 9.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.5 指令遵循 : 6.5 谜题求解 : 6.0 工具调用 : 10.0
#62#62	Grok 4.1 Fastmedium	6.7	X AI	$0.056	23.88s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 64.8% 不稳定测试: 6 输出令牌: 2,010 推理令牌: 91,298 响应时间：平均 23.88s · 总计 262.66s · 最大 121.79s 未遵循指令: 4 答案错误: 3 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 : 6.6 谜题求解 : 5.3 工具调用 : 2.8
#63#63	GLM 5none	6.6	Z.ai	$0.020	4.23s
查看模型卡片总测试数: 18 错误测试数: 9 可靠性: 不适用尝试通过率: 51.9% 不稳定测试: 1 输出令牌: 1,959 推理令牌: 0 响应时间：平均 4.23s · 总计 46.51s · 最大 11.07s 答案错误: 9 反AI技巧 : 4.8 编程 : 5.6 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
#64#64	Mercury 2medium	6.5	Inception	$0.047	2.21s
查看模型卡片总测试数: 18 错误测试数: 10 可靠性: 不适用尝试通过率: 53.7% 不稳定测试: 3 输出令牌: 3,972 推理令牌: 48,333 响应时间：平均 2.21s · 总计 37.51s · 最大 14.63s 答案错误: 6 未遵循指令: 4 反AI技巧 : 6.9 编程 : 10.0 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 : 3.9 工具调用 : 10.0
#65#65	MiMo-V2-Omninone	6.5	Xiaomi	$0.007	1.99s
查看模型卡片总测试数: 18 错误测试数: 10 可靠性: 不适用尝试通过率: 44.4% 不稳定测试: 0 输出令牌: 868 推理令牌: 0 响应时间：平均 1.99s · 总计 35.81s · 最大 6.81s 答案错误: 8 未遵循指令: 2 反AI技巧 : 4.8 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 : 4.5 指令遵循 : 6.5 谜题求解 : 8.0 工具调用 : 10.0
#66#66	Grok 4.20 Multi Agent Betamedium	6.4	X AI	$5.074	9.80s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 57.4% 不稳定测试: 6 输出令牌: 299,034 推理令牌: 309,670 响应时间：平均 9.80s · 总计 156.75s · 最大 35.28s 未遵循指令: 4 答案错误: 3 API 错误: 2 额外格式: 2 反AI技巧 : 6.9 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 8.3 谜题求解 : 7.2 工具调用 : 3.0
#67#67	GPT-5 Nanomedium	6.3	OpenAI	$0.066	44.13s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 59.3% 不稳定测试: 8 输出令牌: 4,980 推理令牌: 156,288 响应时间：平均 44.13s · 总计 485.47s · 最大 204.02s 答案错误: 7 未遵循指令: 3 超时: 1 反AI技巧 : 6.5 编程 : 6.7 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 : 8.5 谜题求解 : 5.3 工具调用 : 10.0
#68#68	GLM 5V Turbonone	6.2	Z.ai	$0.044	3.10s
查看模型卡片总测试数: 18 错误测试数: 10 可靠性: 不适用尝试通过率: 44.4% 不稳定测试: 0 输出令牌: 1,724 推理令牌: 0 响应时间：平均 3.10s · 总计 55.87s · 最大 6.51s 答案错误: 8 未遵循指令: 2 反AI技巧 : 4.8 编程 : 10.0 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
#69#69	Qwen3.5-Flashnone	6.2	Qwen	$0.006	3.25s
查看模型卡片总测试数: 18 错误测试数: 10 可靠性: 不适用尝试通过率: 46.3% 不稳定测试: 1 输出令牌: 4,266 推理令牌: 0 响应时间：平均 3.25s · 总计 58.44s · 最大 13.73s 答案错误: 9 未遵循指令: 1 反AI技巧 : 3.5 编程 : 10.0 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 : 6.3 谜题求解 : 3.3 工具调用 : 10.0
#70#70	Gemma 4 26B A4Bnone	6.2	Google	$0.005	6.59s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 48.2% 不稳定测试: 3 输出令牌: 1,783 推理令牌: 0 响应时间：平均 6.59s · 总计 118.61s · 最大 57.10s 答案错误: 7 未遵循指令: 3 超时: 1 反AI技巧 : 8.3 编程 : 4.7 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 : 4.4 谜题求解 : 5.7 工具调用 : 10.0
#71#71	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.016	2.53s
查看模型卡片总测试数: 18 错误测试数: 10 可靠性: 不适用尝试通过率: 55.6% 不稳定测试: 5 输出令牌: 3,129 推理令牌: 0 响应时间：平均 2.53s · 总计 45.46s · 最大 6.70s 答案错误: 10 反AI技巧 : 3.0 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.2 工具调用 : 10.0
#72#72	Gemini 2.5 Flashnone	6.2	Google	$0.013	903ms
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 44.4% 不稳定测试: 2 输出令牌: 1,726 推理令牌: 0 响应时间：平均 903ms · 总计 16.26s · 最大 4.39s 答案错误: 10 未遵循指令: 1 反AI技巧 : 3.0 编程 : 10.0 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 : 8.0 谜题求解 : 5.7 工具调用 : 10.0
#73#73	Qwen3.5-35B-A3Bnone	6.1	Qwen	$0.016	3.82s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 50.0% 不稳定测试: 3 输出令牌: 4,300 推理令牌: 0 响应时间：平均 3.82s · 总计 68.74s · 最大 47.43s 答案错误: 9 未遵循指令: 2 反AI技巧 : 3.4 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 3.9 工具调用 : 10.0
#74#74	DeepSeek V3.2none	6.0	DeepSeek	$0.016	12.07s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 46.3% 不稳定测试: 3 输出令牌: 8,378 推理令牌: 0 响应时间：平均 12.07s · 总计 217.28s · 最大 115.89s 答案错误: 8 额外格式: 2 无效工具调用: 1 反AI技巧 : 3.2 编程 : 2.4 综合 : 6.5 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.5 工具调用 : 10.0
#75#75	MiMo-V2-Pronone	6.0	Xiaomi	$0.043	2.39s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 48.2% 不稳定测试: 3 输出令牌: 2,320 推理令牌: 0 响应时间：平均 2.39s · 总计 43.06s · 最大 6.58s 答案错误: 9 未遵循指令: 2 反AI技巧 : 3.5 编程 : 10.0 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
#76#76	GPT-5.4none	5.9	OpenAI	$0.104	1.51s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 42.6% 不稳定测试: 2 输出令牌: 2,317 推理令牌: 0 响应时间：平均 1.51s · 总计 27.21s · 最大 2.95s 答案错误: 10 未遵循指令: 1 反AI技巧 : 3.2 编程 : 10.0 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
#77#77	Qwen3.5-27Bnone	5.9	Qwen	$0.016	1.74s
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: 38.9% 不稳定测试: 2 输出令牌: 3,545 推理令牌: 0 响应时间：平均 1.74s · 总计 31.32s · 最大 9.39s 答案错误: 10 未遵循指令: 2 反AI技巧 : 4.8 编程 : 10.0 综合 : 2.8 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 : 4.8 谜题求解 : 6.7 工具调用 : 10.0
#78#78	gpt-oss-120bmedium	5.8	OpenAI	$0.011	16.08s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 51.9% 不稳定测试: 6 输出令牌: 13,493 推理令牌: 36,879 响应时间：平均 16.08s · 总计 176.88s · 最大 50.92s 答案错误: 7 未遵循指令: 4 反AI技巧 : 6.7 编程 : 4.3 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 : 3.2 工具调用 : 9.8
#79#79	Kimi K2.6none	5.8	Moonshot AI	$0.038	2.05s
查看模型卡片总测试数: 18 错误测试数: 11 可靠性: 不适用尝试通过率: 42.6% 不稳定测试: 2 输出令牌: 2,973 推理令牌: 0 响应时间：平均 2.05s · 总计 36.93s · 最大 6.65s 答案错误: 8 未遵循指令: 3 反AI技巧 : 4.6 编程 : 10.0 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 : 3.4 工具调用 : 10.0
#80#80	MiMo-V2.5-Pronone	5.8	Xiaomi	$0.033	1.51s
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: 46.3% 不稳定测试: 4 输出令牌: 2,451 推理令牌: 0 响应时间：平均 1.51s · 总计 27.21s · 最大 3.54s 答案错误: 10 未遵循指令: 2 反AI技巧 : 2.9 编程 : 6.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.5 指令遵循 : 6.4 谜题求解 : 6.7 工具调用 : 10.0
#81#81	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.022	3.69s
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: 38.9% 不稳定测试: 2 输出令牌: 3,341 推理令牌: 0 响应时间：平均 3.69s · 总计 66.50s · 最大 46.00s 答案错误: 11 未遵循指令: 1 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 : 5.0 指令遵循 : 4.5 谜题求解 : 5.4 工具调用 : 10.0
#82#82	MiniMax M2.5medium	5.7	Minimax	$0.250	39.65s
查看模型卡片总测试数: 18 错误测试数: 13 可靠性: 不适用尝试通过率: 57.4% 不稳定测试: 10 输出令牌: 107,044 推理令牌: 206,422 响应时间：平均 39.65s · 总计 396.47s · 最大 237.27s 答案错误: 5 超时: 4 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 3.0 综合 : 4.5 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 : 8.1 谜题求解 : 5.3 工具调用 : 10.0
#83#83	Hunter Alphanone	5.7	OpenRouter	$0.000	4.58s
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: 46.3% 不稳定测试: 4 输出令牌: 2,278 推理令牌: 0 响应时间：平均 4.58s · 总计 77.92s · 最大 15.17s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 3.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 6.4 谜题求解 : 5.8 工具调用 : 10.0
#84#84	Mistral Small 4medium	5.7	Mistral	$0.034	5.64s
查看模型卡片总测试数: 18 错误测试数: 13 可靠性: 不适用尝试通过率: 50.0% 不稳定测试: 7 输出令牌: 15,084 推理令牌: 39,408 响应时间：平均 5.64s · 总计 101.52s · 最大 30.49s 答案错误: 8 未遵循指令: 3 API 错误: 2 反AI技巧 : 5.6 编程 : 6.7 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
#85#85	GLM 4.7 Flashnone	5.6	Z.ai	$0.003	3.35s
查看模型卡片总测试数: 18 错误测试数: 13 可靠性: 不适用尝试通过率: 37.0% 不稳定测试: 3 输出令牌: 2,489 推理令牌: 0 响应时间：平均 3.35s · 总计 36.90s · 最大 7.05s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 5.2 编程 : 6.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 4.4 工具调用 : 2.8
#86#86	GLM 5.1none	5.6	Z.ai	$0.053	4.33s
查看模型卡片总测试数: 18 错误测试数: 13 可靠性: 不适用尝试通过率: 37.0% 不稳定测试: 4 输出令牌: 3,720 推理令牌: 0 响应时间：平均 4.33s · 总计 78.02s · 最大 32.57s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.1 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 : 8.3 谜题求解 : 5.7 工具调用 : 10.0
#87#87	Kimi K2.5none	5.5	Moonshot AI	$0.017	13.37s
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: 40.7% 不稳定测试: 3 输出令牌: 2,659 推理令牌: 0 响应时间：平均 13.37s · 总计 147.05s · 最大 42.13s 答案错误: 12 反AI技巧 : 3.6 编程 : 10.0 综合 : 2.8 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0
#88#88	GLM 5 Turbonone	5.5	Z.ai	$0.032	2.94s
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: 2 输出令牌: 1,775 推理令牌: 0 响应时间：平均 2.94s · 总计 52.98s · 最大 8.21s 答案错误: 10 未遵循指令: 2 反AI技巧 : 3.0 编程 : 5.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.5 工具调用 : 10.0
#89#89	Ling 2.6 Flashnone	5.4	Inclusionai	$0.000	11.33s
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: 35.2% 不稳定测试: 1 输出令牌: 3,338 推理令牌: 0 响应时间：平均 11.33s · 总计 203.88s · 最大 35.34s 答案错误: 7 未遵循指令: 3 无效工具调用: 2 反AI技巧 : 6.5 编程 : 10.0 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0
#90#90	Trinity Large Previewnone	5.3	Arcee AI	$0.000	5.07s
查看模型卡片总测试数: 18 错误测试数: 13 可靠性: 不适用尝试通过率: 29.6% 不稳定测试: 1 输出令牌: 1,985 推理令牌: 0 响应时间：平均 5.07s · 总计 91.23s · 最大 39.47s 答案错误: 11 未遵循指令: 2 反AI技巧 : 3.0 编程 : 6.3 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 : 4.1 谜题求解 : 5.4 工具调用 : 10.0

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7none Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsSeed-2.0-Litemedium Gemini 3 Flash PreviewmediumvsHY3 Previewhigh免费可用 Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsClaude Opus 4.7none Claude Opus 4.7nonevsGPT-5.5medium GPT-5.5mediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsSeed-2.0-Litemedium

AI 基准排行榜

筛选模型

快速对比