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）
#65#65	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 73.9% 不稳定测试 4 输入令牌 235,207 输出令牌 11,065 推理令牌 69,473 响应时间（平均） 31.29s 响应时间（总计） 531.98s 响应时间（最大） 116.86s 未遵循指令: 3 答案错误: 3 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 6.5 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 : 3.7 指令遵循 : 9.9 谜题求解 : 7.5 工具调用 : 4.7 常识问答 : 3.0
#144#144	GLM 5.1medium	7.5	Z.ai	$1.546 ↑	66.38s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.2 尝试通过率 66.7% 不稳定测试 4 输入令牌 331,577 输出令牌 17,919 推理令牌 230,789 响应时间（平均） 66.38s 响应时间（总计） 1460.31s 响应时间（最大） 308.75s 答案错误: 5 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.8 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#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
#72#72	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
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 79.7% 不稳定测试 4 输入令牌 342,579 输出令牌 12,848 推理令牌 70,193 响应时间（平均） 14.98s 响应时间（总计） 344.60s 响应时间（最大） 54.92s 答案错误: 3 额外格式: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#184#184	Ember-1low	7.0	Fireworks	$1.488	34.90s
查看模型卡片总测试数 23 错误测试数 10 可靠性 8.8 尝试通过率 65.2% 不稳定测试 5 输入令牌 211,908 输出令牌 14,158 推理令牌 42,608 响应时间（平均） 34.90s 响应时间（总计） 802.79s 响应时间（最大） 121.29s API 错误: 6 答案错误: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 10.0 综合 : 6.5 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 6.2 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#219#219	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
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 58.0% 不稳定测试 4 输入令牌 421,200 输出令牌 1,100,052 推理令牌 0 响应时间（平均） 72.72s 响应时间（总计） 1672.53s 响应时间（最大） 364.99s 答案错误: 8 无答案: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 5.4 反AI技巧 : 10.0 编程 : 4.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 3.6 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
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.0 尝试通过率 65.2% 不稳定测试 5 输入令牌 297,321 输出令牌 8,997 推理令牌 423,853 响应时间（平均） 124.87s 响应时间（总计） 2871.96s 响应时间（最大） 675.30s 答案错误: 6 API 错误: 3 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#78#78	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
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 76.8% 不稳定测试 3 输入令牌 353,658 输出令牌 54,891 推理令牌 18,370 响应时间（平均） 15.01s 响应时间（总计） 345.16s 响应时间（最大） 69.26s 答案错误: 5 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 : 9.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#204#204	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
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 58.0% 不稳定测试 1 输入令牌 358,616 输出令牌 9,651 推理令牌 520,155 响应时间（平均） 55.13s 响应时间（总计） 1268.10s 响应时间（最大） 252.69s 答案错误: 6 额外格式: 3 无效工具调用: 1 智能体任务 : 3.4 反AI技巧 : 8.3 编程 : 5.7 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 230,895 输出令牌 161,281 推理令牌 510,655 响应时间（平均） 263.69s 响应时间（总计） 6064.89s 响应时间（最大） 1727.29s 答案错误: 6 未遵循指令: 2 无答案: 2 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 3.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 8.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#6#6	GPT-6.1 Solxhigh	9.9	OpenAI	$1.377	33.11s
查看模型卡片总测试数 23 错误测试数 1 可靠性 10.0 尝试通过率 97.1% 不稳定测试 1 输入令牌 175,712 输出令牌 5,640 推理令牌 96,842 响应时间（平均） 33.11s 响应时间（总计） 761.52s 响应时间（最大） 491.85s 答案错误: 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 : 7.6 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
#129#129	Grok 4.5low	7.8	X AI	$1.345	18.14s
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 73.9% 不稳定测试 2 输入令牌 308,068 输出令牌 9,218 推理令牌 112,197 响应时间（平均） 18.14s 响应时间（总计） 417.21s 响应时间（最大） 205.28s 答案错误: 7 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#37#37	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 84.1% 不稳定测试 4 输入令牌 222,794 输出令牌 7,357 推理令牌 58,930 响应时间（平均） 18.87s 响应时间（总计） 433.94s 响应时间（最大） 100.93s 答案错误: 4 未遵循指令: 2 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 : 5.9 通用智能 : 4.6 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 2.8
#119#119	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
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 296,760 输出令牌 4,371 推理令牌 92,284 响应时间（平均） 11.78s 响应时间（总计） 271.03s 响应时间（最大） 84.47s 答案错误: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 7.9 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 10.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 244,499 输出令牌 8,744 推理令牌 375,349 响应时间（平均） 100.65s 响应时间（总计） 2314.88s 响应时间（最大） 626.58s 答案错误: 6 API 错误: 4 额外格式: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 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 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 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
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
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 58.0% 不稳定测试 5 输入令牌 392,127 输出令牌 7,754 推理令牌 294,333 响应时间（平均） 36.73s 响应时间（总计） 844.68s 响应时间（最大） 199.66s 答案错误: 7 额外格式: 2 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 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
#86#86	Inklinghigh	8.4	Thinkingmachines	$1.238 ↓	62.72s
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 3 输入令牌 240,395 输出令牌 7,169 推理令牌 242,073 响应时间（平均） 62.72s 响应时间（总计） 1442.48s 响应时间（最大） 327.51s 答案错误: 4 无效工具调用: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.5 综合 : 7.3 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 : 9.8 谜题求解 : 6.9 工具调用 : 3.0 常识问答 : 3.0
#214#214	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
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 56.5% 不稳定测试 2 输入令牌 205,108 输出令牌 6,197 推理令牌 0 响应时间（平均） 4.75s 响应时间（总计） 109.31s 响应时间（最大） 57.53s 答案错误: 11 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 5.5 综合 : 6.5 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#70#70	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$1.204 ↑	61.58s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.4 尝试通过率 69.6% 不稳定测试 2 输入令牌 414,054 输出令牌 7,635 推理令牌 900,536 响应时间（平均） 61.58s 响应时间（总计） 1416.24s 响应时间（最大） 335.08s 答案错误: 6 API 错误: 1 未遵循指令: 1 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 : 6.5 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.5 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
#73#73	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
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 81.2% 不稳定测试 5 输入令牌 345,687 输出令牌 13,550 推理令牌 34,743 响应时间（平均） 10.79s 响应时间（总计） 248.22s 响应时间（最大） 51.53s 答案错误: 5 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 : 10.0 综合 : 8.2 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#186#186	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
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 71.0% 不稳定测试 5 输入令牌 251,695 输出令牌 49,415 推理令牌 472,775 响应时间（平均） 66.96s 响应时间（总计） 1539.99s 响应时间（最大） 519.30s 答案错误: 5 无效工具调用: 2 超时: 2 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 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 : 10.0 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

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