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）
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 118,771 输出令牌 4,127 推理令牌 14,668 响应时间（平均） 91.72s 响应时间（总计） 2109.54s 响应时间（最大） 112.76s API 错误: 22 答案错误: 1 智能体任务 : 5.0 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.4 尝试通过率 59.4% 不稳定测试 3 输入令牌 313,368 输出令牌 12,289 推理令牌 259,270 响应时间（平均） 91.67s 响应时间（总计） 1833.43s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 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
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 287,061 输出令牌 32,056 推理令牌 196,607 响应时间（平均） 91.29s 响应时间（总计） 2099.56s 响应时间（最大） 416.76s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 5.7 编程 : 6.3 综合 : 10.0 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 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#414#414	Command A+high	3.2	Cohere	$0.079	89.96s
查看模型卡片总测试数 23 错误测试数 23 可靠性 3.5 尝试通过率 0.0% 不稳定测试 0 输入令牌 117,966 输出令牌 5,149 推理令牌 23,514 响应时间（平均） 89.96s 响应时间（总计） 2069.01s 响应时间（最大） 156.00s API 错误: 22 答案错误: 1 智能体任务 : 3.9 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 71.0% 不稳定测试 3 输入令牌 369,495 输出令牌 172,852 推理令牌 476,002 响应时间（平均） 88.74s 响应时间（总计） 2041.10s 响应时间（最大） 567.88s 无答案: 4 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 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 2.8 常识问答 : 3.0
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 23.2% 不稳定测试 6 输入令牌 232,641 输出令牌 69,335 推理令牌 426,182 响应时间（平均） 88.24s 响应时间（总计） 2029.57s 响应时间（最大） 814.73s 答案错误: 16 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 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 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#150#150	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 71.0% 不稳定测试 6 输入令牌 231,356 输出令牌 43,054 推理令牌 370,981 响应时间（平均） 88.15s 响应时间（总计） 2027.36s 响应时间（最大） 438.65s 答案错误: 8 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 7.3 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#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
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 69.6% 不稳定测试 2 输入令牌 324,691 输出令牌 181,251 推理令牌 506,441 响应时间（平均） 87.39s 响应时间（总计） 2010.08s 响应时间（最大） 665.85s 无答案: 4 答案错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 2.8 常识问答 : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 66.7% 不稳定测试 6 输入令牌 271,890 输出令牌 190,841 推理令牌 513,329 响应时间（平均） 85.22s 响应时间（总计） 1960.12s 响应时间（最大） 432.81s 无答案: 4 未遵循指令: 3 答案错误: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 5.6 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 8.9 工具调用 : 4.7 常识问答 : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 72.5% 不稳定测试 5 输入令牌 269,143 输出令牌 6,833 推理令牌 785,200 响应时间（平均） 84.94s 响应时间（总计） 1953.70s 响应时间（最大） 527.47s 答案错误: 4 无答案: 3 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
查看模型卡片总测试数 23 错误测试数 20 可靠性 9.1 尝试通过率 15.9% 不稳定测试 2 输入令牌 226,872 输出令牌 133,268 推理令牌 0 响应时间（平均） 84.66s 响应时间（总计） 1947.17s 响应时间（最大） 747.17s 答案错误: 11 额外格式: 4 超时: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 4.9 编程 : 5.5 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 3.0 谜题求解 : 3.0 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
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 49.3% 不稳定测试 7 输入令牌 319,352 输出令牌 158,447 推理令牌 875,524 响应时间（平均） 84.01s 响应时间（总计） 1932.24s 响应时间（最大） 525.14s 答案错误: 9 未遵循指令: 4 无效工具调用: 2 智能体任务 : 6.1 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 66.7% 不稳定测试 6 输入令牌 349,177 输出令牌 54,279 推理令牌 477,389 响应时间（平均） 83.68s 响应时间（总计） 1840.92s 响应时间（最大） 515.38s 答案错误: 5 超时: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 3.7 综合 : 6.4 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#369#369	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.5 尝试通过率 40.6% 不稳定测试 9 输入令牌 207,883 输出令牌 144,718 推理令牌 525,897 响应时间（平均） 83.19s 响应时间（总计） 1913.41s 响应时间（最大） 597.61s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.8 尝试通过率 47.8% 不稳定测试 12 输入令牌 195,780 输出令牌 167,746 推理令牌 598,384 响应时间（平均） 81.93s 响应时间（总计） 1884.31s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#183#183	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 60.9% 不稳定测试 5 输入令牌 245,179 输出令牌 62,697 推理令牌 196,621 响应时间（平均） 81.18s 响应时间（总计） 1785.87s 响应时间（最大） 365.80s 答案错误: 8 超时: 2 API 错误: 1 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 7.3 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.7 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 3.0 常识问答 : 3.0
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 3 输入令牌 251,164 输出令牌 36,112 推理令牌 241,203 响应时间（平均） 78.76s 响应时间（总计） 1653.96s 响应时间（最大） 437.40s 答案错误: 4 API 错误: 2 无效工具调用: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.3 综合 : 2.9 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#417#417	Command A+none	3.0	Cohere	$0.000	77.87s
查看模型卡片总测试数 23 错误测试数 23 可靠性 0.0 尝试通过率 0.0% 不稳定测试 0 输入令牌 0 输出令牌 0 推理令牌 0 响应时间（平均） 77.87s 响应时间（总计） 1791.03s 响应时间（最大） 106.37s API 错误: 23 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 3.0 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#61#61	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 78.3% 不稳定测试 5 输入令牌 256,646 输出令牌 10,490 推理令牌 210,325 响应时间（平均） 77.44s 响应时间（总计） 1781.16s 响应时间（最大） 643.19s 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 8.2 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 : 7.3 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#330#330	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.6 尝试通过率 47.8% 不稳定测试 12 输入令牌 170,517 输出令牌 149,968 推理令牌 509,725 响应时间（平均） 77.08s 响应时间（总计） 1772.78s 响应时间（最大） 490.99s 答案错误: 11 未遵循指令: 4 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 5.5 编程 : 4.4 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.7 指令遵循 : 8.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#208#208	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.7 尝试通过率 59.4% 不稳定测试 5 输入令牌 166,517 输出令牌 107,386 推理令牌 217,548 响应时间（平均） 77.03s 响应时间（总计） 1694.74s 响应时间（最大） 431.03s 答案错误: 5 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 3.0 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#127#127	Grok 4.6medium	7.8	X AI	$2.270	74.77s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 78.3% 不稳定测试 4 输入令牌 336,351 输出令牌 6,180 推理令牌 260,017 响应时间（平均） 74.77s 响应时间（总计） 1719.73s 响应时间（最大） 514.35s 答案错误: 6 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 10.0 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 : 4.1 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 42.0% 不稳定测试 8 输入令牌 283,116 输出令牌 277,920 推理令牌 665,124 响应时间（平均） 74.52s 响应时间（总计） 1713.90s 响应时间（最大） 510.21s 答案错误: 10 未遵循指令: 4 无效工具调用: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.7 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 4.7 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