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）
#144#144	GPT-5.4 Mininone	4.9	OpenAI	$0.038	1.13s
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 30.2% 不稳定测试 3 输入令牌 34,244 输出令牌 2,541 推理令牌 0 响应时间（平均） 1.13s 响应时间（总计） 23.82s 响应时间（最大） 2.52s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.1 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#161#161	Qwen3.5-9Bmedium	4.2	Qwen	$0.035 ↓	82.24s
查看模型卡片总测试数 21 错误测试数 18 可靠性 6.7 尝试通过率 27.0% 不稳定测试 5 输入令牌 17,070 输出令牌 29,045 推理令牌 209,516 响应时间（平均） 82.24s 响应时间（总计） 1315.88s 响应时间（最大） 226.38s 超时: 11 无答案: 2 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 5.1 编程 : 2.9 综合 : 3.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 2.8 指令遵循 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#27#27	Gemma 4 31Bmedium	7.8	Google	$0.035 ↓	56.55s
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 1 输入令牌 17,957 输出令牌 22,356 推理令牌 65,726 响应时间（平均） 56.55s 响应时间（总计） 1074.41s 响应时间（最大） 437.40s API 错误: 2 超时: 2 答案错误: 2 无答案: 1 反AI技巧 : 10.0 编程 : 4.3 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 : 9.9 工具调用 : 3.0 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
#114#114	Qwen3.5 Plus 2026-04-20none	5.7	Qwen	$0.032 ↓	4.39s
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 38,910 输出令牌 11,145 推理令牌 0 响应时间（平均） 4.39s 响应时间（总计） 92.26s 响应时间（最大） 33.34s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.9 综合 : 2.8 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 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#153#153	Qwen3.6 35B A3Bnone	4.6	Qwen	$0.031 ↑	3.73s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 30.2% 不稳定测试 5 输入令牌 19,329 输出令牌 27,755 推理令牌 0 响应时间（平均） 3.73s 响应时间（总计） 70.86s 响应时间（最大） 22.52s 答案错误: 13 API 错误: 2 未遵循指令: 2 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#31#31	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.029 ↓	45.85s
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 74.6% 不稳定测试 4 输入令牌 39,745 输出令牌 10,310 推理令牌 123,501 响应时间（平均） 45.85s 响应时间（总计） 962.79s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 反AI技巧 : 8.3 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 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
#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
#118#118	Qwen3.6 27Bnone	5.6	Qwen	$0.028 ↓	3.72s
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 47.6% 不稳定测试 6 输入令牌 52,721 输出令牌 3,812 推理令牌 0 响应时间（平均） 3.72s 响应时间（总计） 78.08s 响应时间（最大） 11.82s 答案错误: 11 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.8 编程 : 5.5 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 5.2 指令遵循 : 6.2 谜题求解 : 5.3 工具调用 : 9.5 常识问答 : 3.0
#61#61	Gemini 3.1 Flash Litelow	7.2	Google	$0.028	1.89s
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 2 输入令牌 36,892 输出令牌 2,732 推理令牌 9,260 响应时间（平均） 1.89s 响应时间（总计） 39.62s 响应时间（最大） 5.66s 答案错误: 9 反AI技巧 : 7.3 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 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#135#135	Kimi K2.5none	5.2	Moonshot AI	$0.028 ↑	13.18s
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 34.9% 不稳定测试 3 输入令牌 36,034 输出令牌 6,657 推理令牌 0 响应时间（平均） 13.18s 响应时间（总计） 184.47s 响应时间（最大） 42.13s 答案错误: 15 反AI技巧 : 3.6 编程 : 5.5 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 : 3.0 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
#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
#50#50	Gemini 3.1 Flash Lite Previewlow	7.4	Google	$0.026	2.77s
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 32,715 输出令牌 2,286 推理令牌 9,166 响应时间（平均） 2.77s 响应时间（总计） 58.12s 响应时间（最大） 11.91s 答案错误: 7 未遵循指令: 1 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 : 5.3 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#152#152	MiMo-V2-Flashnone	4.6	Xiaomi	$0.025 ↑	2.76s
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 25.4% 不稳定测试 4 输入令牌 36,851 输出令牌 68,882 推理令牌 0 响应时间（平均） 2.76s 响应时间（总计） 46.99s 响应时间（最大） 19.68s 答案错误: 13 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 2.9 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
#113#113	DeepSeek V4 Pronone	5.7	DeepSeek	$0.025 ↓	12.38s
查看模型卡片总测试数 21 错误测试数 14 可靠性 8.5 尝试通过率 42.9% 不稳定测试 4 输入令牌 44,845 输出令牌 5,349 推理令牌 0 响应时间（平均） 12.38s 响应时间（总计） 260.06s 响应时间（最大） 58.65s 答案错误: 10 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.5 编程 : 4.6 综合 : 9.5 数据解析与提取 : 6.9 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#48#48	Gemini 3 Flash Previewnone	7.4	Google	$0.025	1.65s
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 66.7% 不稳定测试 2 输入令牌 37,011 输出令牌 1,885 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 23.07s 响应时间（最大） 3.56s 答案错误: 8 反AI技巧 : 8.3 编程 : 5.5 综合 : 4.7 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 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
#105#105	Nemotron 3 Supermedium	5.8	NVIDIA	$0.021 ↑	32.00s
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 41.3% 不稳定测试 2 输入令牌 37,527 输出令牌 14,850 推理令牌 33,754 响应时间（平均） 32.00s 响应时间（总计） 607.91s 响应时间（最大） 232.25s 答案错误: 5 API 错误: 3 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 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
#131#131	Qwen3.5-122B-A10Bnone	5.3	Qwen	$0.020 ↓	3.41s
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 1 输入令牌 47,735 输出令牌 3,383 推理令牌 0 响应时间（平均） 3.41s 响应时间（总计） 71.59s 响应时间（最大） 46.00s 答案错误: 13 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.7 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 : 6.3 谜题求解 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#110#110	Seed-2.0-Litenone	5.8	Bytedance Seed	$0.019	2.49s
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 46.0% 不稳定测试 4 输入令牌 46,573 输出令牌 3,259 推理令牌 0 响应时间（平均） 2.49s 响应时间（总计） 52.26s 响应时间（最大） 6.70s 答案错误: 13 反AI技巧 : 3.0 编程 : 5.6 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#58#58	Gemini 3.1 Flash Lite Previewnone	7.2	Google	$0.018	1.21s
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 60.3% 不稳定测试 1 输入令牌 37,582 输出令牌 5,547 推理令牌 0 响应时间（平均） 1.21s 响应时间（总计） 25.45s 响应时间（最大） 3.39s 答案错误: 7 未遵循指令: 2 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 : 5.3 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#33#33	Hy3 previewmedium	7.7	Tencent	$0.018	16.28s
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 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s API 错误: 3 答案错误: 3 未遵循指令: 1 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 : 5.3 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
#133#133	DeepSeek V3.2none	5.2	DeepSeek	$0.017 ↓	13.83s
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 39.7% 不稳定测试 6 输入令牌 55,997 输出令牌 11,165 推理令牌 0 响应时间（平均） 13.83s 响应时间（总计） 290.43s 响应时间（最大） 115.89s 答案错误: 7 API 错误: 4 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.2 编程 : 3.1 综合 : 6.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#123#123	MiMo-V2.5-Pronone	5.5	Xiaomi	$0.017 ↓	1.78s
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 39.7% 不稳定测试 4 输入令牌 30,724 输出令牌 3,043 推理令牌 0 响应时间（平均） 1.78s 响应时间（总计） 37.42s 响应时间（最大） 8.32s 答案错误: 11 未遵循指令: 4 反AI技巧 : 3.3 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 : 4.0 指令遵循 : 6.4 谜题求解 : 6.7 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
#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
#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
#115#115	Qwen3.5-27Bnone	5.7	Qwen	$0.015 ↓	1.68s
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 38.1% 不稳定测试 2 输入令牌 44,478 输出令牌 3,592 推理令牌 0 响应时间（平均） 1.68s 响应时间（总计） 35.25s 响应时间（最大） 9.39s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.8 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 : 6.3 谜题求解 : 6.7 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