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）
#91#91	DeepSeek V4 Flashnone	5.3	DeepSeek	$0.008	29.39s
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: 33.3% 不稳定测试: 2 输出令牌: 4,444 推理令牌: 0 响应时间：平均 29.39s · 总计 529.10s · 最大 111.96s 答案错误: 8 额外格式: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.0 编程 : 6.3 综合 : 4.5 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 : 3.1 工具调用 : 10.0
#92#92	Grok 4.20 Betanone	5.3	X AI	$0.091	1.19s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 29.6% 不稳定测试: 2 输出令牌: 1,591 推理令牌: 0 响应时间：平均 1.19s · 总计 21.37s · 最大 6.48s 答案错误: 10 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.5 综合 : 3.0 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 : 5.9 工具调用 : 10.0
#93#93	MiniMax M2.7medium	5.3	Minimax	$0.091	31.08s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 51.9% 不稳定测试: 10 输出令牌: 4,984 推理令牌: 62,787 响应时间：平均 31.08s · 总计 528.37s · 最大 117.04s 未遵循指令: 6 答案错误: 5 超时: 2 无效工具调用: 1 反AI技巧 : 7.9 编程 : 10.0 综合 : 4.7 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.7 谜题求解 : 3.8 工具调用 : 4.7
#94#94	Elephant Alphamedium	5.2	Openrouter	$0.000	1.27s
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: 2,596 推理令牌: 0 响应时间：平均 1.27s · 总计 22.82s · 最大 3.70s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.6 编程 : 5.1 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 3.7 工具调用 : 3.0
#95#95	Grok 4.20none	5.2	X AI	$0.095	1.11s
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: 1,967 推理令牌: 0 响应时间：平均 1.11s · 总计 20.02s · 最大 6.04s 答案错误: 9 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.4 综合 : 3.0 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 : 4.8 谜题求解 : 5.3 工具调用 : 10.0
#96#96	Mistral Small 4none	5.2	Mistral	$0.006	665ms
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: 31.5% 不稳定测试: 1 输出令牌: 2,207 推理令牌: 0 响应时间：平均 665ms · 总计 11.97s · 最大 1.72s 答案错误: 11 未遵循指令: 2 反AI技巧 : 3.4 编程 : 4.5 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0
#97#97	gpt-oss-120bnone	5.2	OpenAI	$0.009	11.96s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 38.9% 不稳定测试: 5 输出令牌: 44,652 推理令牌: 0 响应时间：平均 11.96s · 总计 179.34s · 最大 68.97s 答案错误: 6 未遵循指令: 5 API 错误: 3 反AI技巧 : 6.6 编程 : 4.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 8.4 谜题求解 : 4.5 工具调用 : 3.0
#98#98	Elephant Alphanone	5.2	Openrouter	$0.000	1.23s
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: 31.5% 不稳定测试: 1 输出令牌: 2,573 推理令牌: 0 响应时间：平均 1.23s · 总计 22.16s · 最大 3.81s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.6 编程 : 6.4 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 3.3 工具调用 : 3.0
#99#99	GPT-5.4 Mininone	5.1	OpenAI	$0.032	1.17s
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: 35.2% 不稳定测试: 3 输出令牌: 2,418 推理令牌: 0 响应时间：平均 1.17s · 总计 21.01s · 最大 2.52s 答案错误: 10 未遵循指令: 3 反AI技巧 : 3.1 编程 : 10.0 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
#100#100	Qwen3 Coder Nextnone	5.1	Qwen	$0.008	10.18s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 25.9% 不稳定测试: 1 输出令牌: 3,617 推理令牌: 0 响应时间：平均 10.18s · 总计 122.13s · 最大 45.14s 答案错误: 12 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 7.3 综合 : 3.0 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 : 4.8 谜题求解 : 3.2 工具调用 : 10.0
#101#101	MiMo-V2.5none	5.1	Xiaomi	$0.019	1.05s
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: 27.8% 不稳定测试: 0 输出令牌: 2,177 推理令牌: 0 响应时间：平均 1.05s · 总计 18.94s · 最大 2.43s 答案错误: 10 未遵循指令: 2 额外格式: 1 反AI技巧 : 4.8 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 : 4.6 指令遵循 : 6.5 谜题求解 : 3.4 工具调用 : 10.0
#102#102	Nemotron 3 Supernone	5.1	NVIDIA	$0.000	8.54s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 35.2% 不稳定测试: 4 输出令牌: 4,760 推理令牌: 0 响应时间：平均 8.54s · 总计 153.69s · 最大 24.97s 答案错误: 10 未遵循指令: 4 反AI技巧 : 4.8 编程 : 3.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.2 指令遵循 : 4.9 谜题求解 : 5.7 工具调用 : 4.7
#103#103	GPT-4o-mininone	4.9	OpenAI	$0.005	2.00s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 22.2% 不稳定测试: 0 输出令牌: 1,947 推理令牌: 0 响应时间：平均 2.00s · 总计 21.99s · 最大 7.58s 答案错误: 13 未遵循指令: 1 反AI技巧 : 4.8 编程 : 3.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 4.8 谜题求解 : 3.7 工具调用 : 10.0
#104#104	Qwen3.5-9Bnone	4.8	Qwen	$0.005	1.47s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 24.1% 不稳定测试: 1 输出令牌: 3,951 推理令牌: 0 响应时间：平均 1.47s · 总计 26.43s · 最大 5.91s 答案错误: 10 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 3.1 编程 : 5.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.2 工具调用 : 10.0
#105#105	Mercury 2none	4.8	Inception	$0.007	613ms
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 27.8% 不稳定测试: 2 输出令牌: 1,625 推理令牌: 0 响应时间：平均 613ms · 总计 11.04s · 最大 1.27s 答案错误: 13 未遵循指令: 1 反AI技巧 : 3.0 编程 : 3.6 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0
#106#106	Qwen3 Coder Nextmedium	4.7	Qwen	$0.008	10.75s
查看模型卡片总测试数: 18 错误测试数: 15 可靠性: 不适用尝试通过率: 27.8% 不稳定测试: 3 输出令牌: 3,241 推理令牌: 0 响应时间：平均 10.75s · 总计 129.01s · 最大 81.80s 答案错误: 9 未遵循指令: 5 超时: 1 反AI技巧 : 3.5 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 6.3 指令遵循 : 4.8 谜题求解 : 3.1 工具调用 : 10.0
#107#107	HY3 Previewnone	4.7	Tencent	$0.000	13.56s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 27.8% 不稳定测试: 2 输出令牌: 2,639 推理令牌: 0 响应时间：平均 13.56s · 总计 230.55s · 最大 35.84s 答案错误: 7 未遵循指令: 4 API 错误: 2 额外格式: 1 反AI技巧 : 4.8 编程 : 2.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 6.3 谜题求解 : 3.3 工具调用 : 10.0
#108#108	GLM 4.7 Flashmedium	4.6	Z.ai	$0.046	32.33s
查看模型卡片总测试数: 18 错误测试数: 14 可靠性: 不适用尝试通过率: 38.9% 不稳定测试: 8 输出令牌: 39,688 推理令牌: 72,401 响应时间：平均 32.33s · 总计 355.65s · 最大 174.55s 答案错误: 8 未遵循指令: 2 无答案: 2 无效工具调用: 1 超时: 1 反AI技巧 : 4.7 编程 : 3.6 综合 : 2.8 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0
#109#109	MiMo-V2-Flashnone	4.5	Xiaomi	$0.023	2.79s
查看模型卡片总测试数: 18 错误测试数: 15 可靠性: 不适用尝试通过率: 27.8% 不稳定测试: 5 输出令牌: 68,522 推理令牌: 0 响应时间：平均 2.79s · 总计 39.08s · 最大 19.68s 答案错误: 12 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.2 编程 : 6.3 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 : 3.6 工具调用 : 10.0
#110#110	Grok 4.1 Fastnone	4.5	X AI	$0.009	1.76s
查看模型卡片总测试数: 18 错误测试数: 15 可靠性: 不适用尝试通过率: 24.1% 不稳定测试: 3 输出令牌: 1,721 推理令牌: 0 响应时间：平均 1.76s · 总计 19.35s · 最大 5.51s 答案错误: 13 未遵循指令: 2 反AI技巧 : 3.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.4 指令遵循 : 3.0 谜题求解 : 3.2 工具调用 : 2.8
#111#111	Ling 2.6 1tnone	4.5	Inclusionai	$0.000	8.79s
查看模型卡片总测试数: 18 错误测试数: 15 可靠性: 不适用尝试通过率: 16.7% 不稳定测试: 0 输出令牌: 2,434 推理令牌: 0 响应时间：平均 8.79s · 总计 158.19s · 最大 25.72s 答案错误: 11 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 3.4 编程 : 5.5 综合 : 3.0 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 : 6.4 谜题求解 : 3.1 工具调用 : 3.0
#112#112	GPT-5.4 Nanonone	4.5	OpenAI	$0.009	1.40s
查看模型卡片总测试数: 18 错误测试数: 16 可靠性: 不适用尝试通过率: 31.5% 不稳定测试: 7 输出令牌: 2,762 推理令牌: 0 响应时间：平均 1.40s · 总计 25.14s · 最大 3.84s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.5 编程 : 7.1 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 5.0 谜题求解 : 3.7 工具调用 : 10.0
#113#113	Qwen3.5-9Bmedium	4.4	Qwen	$0.030	73.64s
查看模型卡片总测试数: 18 错误测试数: 15 可靠性: 不适用尝试通过率: 33.3% 不稳定测试: 6 输出令牌: 24,291 推理令牌: 172,597 响应时间：平均 73.64s · 总计 1104.60s · 最大 226.38s 超时: 11 未遵循指令: 2 额外格式: 1 答案错误: 1 反AI技巧 : 5.1 编程 : 2.6 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 : 6.4 谜题求解 : 3.1 工具调用 : 10.0
#114#114	LFM2-24B-A2Bnone	4.1	Liquid	$0.001	811ms
查看模型卡片总测试数: 16 错误测试数: 15 可靠性: 不适用尝试通过率: 14.6% 不稳定测试: 2 输出令牌: 1,185 推理令牌: 0 响应时间：平均 811ms · 总计 11.35s · 最大 2.88s 答案错误: 9 API 错误: 4 未遵循指令: 2 反AI技巧 : 3.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 4.8 谜题求解 : 4.4 工具调用 : 3.0
#115#115	Step 3.5 Flashnone	3.0	Stepfun	$0.000	0ms
查看模型卡片总测试数: 1 错误测试数: 1 可靠性: 不适用尝试通过率: 0.0% 不稳定测试: 0 输出令牌: 0 推理令牌: 0 响应时间：平均 0ms · 总计 0ms · 最大 0ms API 错误: 1 编程 : 3.0

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