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：: 2026-06-03 已评估模型: 161

161/161

排名	模型	分数	公司	总成本	响应时间（平均）
#118#118	Owl Alphanone	5.7	Openrouter	$0.000	8.80s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 38.3% 不稳定测试 1 输入令牌 39,406 输出令牌 4,802 推理令牌 0 响应时间（平均） 8.80s 响应时间（总计） 176.09s 响应时间（最大） 47.10s 答案错误: 9 未遵循指令: 3 额外格式: 1 反AI技巧 : 3.4 编程 : 7.0 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 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#129#129	Mistral Small 4medium	5.4	Mistral	$0.056	8.35s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 45.0% 不稳定测试 7 输入令牌 39,834 输出令牌 21,871 推理令牌 68,349 响应时间（平均） 8.35s 响应时间（总计） 167.08s 响应时间（最大） 59.15s 答案错误: 11 API 错误: 2 未遵循指令: 2 反AI技巧 : 5.6 编程 : 5.1 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 常识问答 : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.6	Google	$0.994	8.30s
查看模型卡片总测试数 20 错误测试数 1 可靠性 10.0 尝试通过率 96.7% 不稳定测试 1 输入令牌 34,591 输出令牌 1,969 推理令牌 102,679 响应时间（平均） 8.30s 响应时间（总计） 165.92s 响应时间（最大） 34.82s 答案错误: 1 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 : 9.8 常识问答 : 10.0
#157#157	Ling-2.6-1Tnone	4.3	Inclusionai	$0.005	7.72s
查看模型卡片总测试数 20 错误测试数 17 可靠性不适用尝试通过率 15.0% 不稳定测试 0 输入令牌 34,905 输出令牌 2,434 推理令牌 0 响应时间（平均） 7.72s 响应时间（总计） 139.00s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.4 编程 : 4.2 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 常识问答 : 3.0
#30#30	GPT-5.2 Chatnone	7.9	OpenAI	$0.352	6.82s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 73.3% 不稳定测试 3 输入令牌 31,593 输出令牌 21,144 推理令牌 0 响应时间（平均） 6.82s 响应时间（总计） 136.34s 响应时间（最大） 38.52s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.7 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 : 4.4 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#115#115	Laguna Xs.2medium	5.8	Poolside	$0.000	6.73s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 50.9% 不稳定测试 6 输入令牌 39,481 输出令牌 54,218 推理令牌 0 响应时间（平均） 6.73s 响应时间（总计） 100.98s 响应时间（最大） 29.11s 答案错误: 6 API 错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 6.9 编程 : 6.3 综合 : 3.0 数据解析与提取 : 7.1 领域专项 : 4.1 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 4.7 常识问答 : 3.0
#53#53	GPT-5.3 Chatnone	7.4	OpenAI	$0.402	6.13s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 31,590 输出令牌 24,757 推理令牌 0 响应时间（平均） 6.13s 响应时间（总计） 122.61s 响应时间（最大） 18.33s 答案错误: 6 未遵循指令: 2 反AI技巧 : 6.7 编程 : 6.9 综合 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#97#97	Gemma 4 26B A4Bnone	6.2	Google	$0.003 ↓	5.96s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 46.7% 不稳定测试 2 输入令牌 36,978 输出令牌 1,815 推理令牌 0 响应时间（平均） 5.96s 响应时间（总计） 119.22s 响应时间（最大） 57.10s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 8.3 编程 : 4.1 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#12#12	Gemini 3 Flash Previewlow	8.6	Google	$0.106	5.81s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 81.7% 不稳定测试 1 输入令牌 33,766 输出令牌 2,070 推理令牌 27,348 响应时间（平均） 5.81s 响应时间（总计） 116.25s 响应时间（最大） 14.72s 答案错误: 4 反AI技巧 : 10.0 编程 : 7.3 综合 : 3.0 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 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#139#139	Nemotron 3 Supernone	5.0	NVIDIA	$0.006 ↑	5.47s
查看模型卡片总测试数 20 错误测试数 15 可靠性 10.0 尝试通过率 33.3% 不稳定测试 3 输入令牌 33,717 输出令牌 6,186 推理令牌 0 响应时间（平均） 5.47s 响应时间（总计） 109.43s 响应时间（最大） 16.45s 答案错误: 13 未遵循指令: 2 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 : 3.6 通用智能 : 4.6 指令遵循 : 6.3 谜题求解 : 5.5 工具调用 : 4.7 常识问答 : 3.0
#72#72	Claude Sonnet 4.6none	7.0	Anthropic	$0.306	5.27s
查看模型卡片总测试数 20 错误测试数 9 可靠性 10.0 尝试通过率 58.3% 不稳定测试 1 输入令牌 54,721 输出令牌 9,450 推理令牌 0 响应时间（平均） 5.27s 响应时间（总计） 68.50s 响应时间（最大） 23.84s 额外格式: 4 答案错误: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 6.8 综合 : 9.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#119#119	Hunter Alphanone	5.7	OpenRouter	$0.000	4.70s
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 输入令牌 34,329 输出令牌 2,264 推理令牌 0 响应时间（平均） 4.70s 响应时间（总计） 79.86s 响应时间（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
#110#110	Qwen3.5 Plus 2026-04-20none	5.8	Qwen	$0.031 ↓	4.57s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 43.3% 不稳定测试 4 输入令牌 36,069 输出令牌 11,139 推理令牌 0 响应时间（平均） 4.57s 响应时间（总计） 91.37s 响应时间（最大） 33.34s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 4.4 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
#7#7	Claude Opus 4.7medium	8.9	Anthropic	$0.624	4.48s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 85.0% 不稳定测试 0 输入令牌 61,569 输出令牌 10,439 推理令牌 2,198 响应时间（平均） 4.48s 响应时间（总计） 85.21s 响应时间（最大） 23.18s 答案错误: 2 超时: 1 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 : 7.7 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
#6#6	Gemini 3.5 Flashmedium	9.0	Google	$0.472	4.29s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 86.7% 不稳定测试 1 输入令牌 33,933 输出令牌 1,995 推理令牌 44,792 响应时间（平均） 4.29s 响应时间（总计） 85.72s 响应时间（最大） 12.05s 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.8 综合 : 10.0 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 10.0
#108#108	GLM 5.1none	5.8	Z.ai	$0.056 ↓	4.20s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 43.3% 不稳定测试 4 输入令牌 44,535 输出令牌 3,748 推理令牌 0 响应时间（平均） 4.20s 响应时间（总计） 83.95s 响应时间（最大） 32.57s 答案错误: 12 无效工具调用: 1 反AI技巧 : 4.0 编程 : 4.3 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#79#79	Gemma 4 31Bnone	6.7	Google	$0.003 ↓	4.05s
查看模型卡片总测试数 20 错误测试数 10 可靠性 10.0 尝试通过率 50.0% 不稳定测试 0 输入令牌 17,818 输出令牌 1,398 推理令牌 0 响应时间（平均） 4.05s 响应时间（总计） 72.97s 响应时间（最大） 26.13s 答案错误: 7 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 6.8 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 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 3.0
#96#96	GLM 5none	6.3	Z.ai	$0.025 ↑	3.95s
查看模型卡片总测试数 20 错误测试数 11 可靠性 10.0 尝试通过率 46.7% 不稳定测试 1 输入令牌 34,537 输出令牌 1,985 推理令牌 0 响应时间（平均） 3.95s 响应时间（总计） 51.38s 响应时间（最大） 11.07s 答案错误: 11 反AI技巧 : 4.8 编程 : 4.6 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 常识问答 : 3.0
#35#35	Gemini 3.1 Flash Lite Previewmedium	7.7	Google	$0.063	3.94s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 65.0% 不稳定测试 0 输入令牌 34,781 输出令牌 2,204 推理令牌 33,657 响应时间（平均） 3.94s 响应时间（总计） 78.74s 响应时间（最大） 14.93s 答案错误: 6 未遵循指令: 1 反AI技巧 : 9.1 编程 : 6.8 综合 : 10.0 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
#114#114	Qwen3.6 27Bnone	5.8	Qwen	$0.027 ↓	3.85s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 50.0% 不稳定测试 6 输入令牌 49,880 输出令牌 3,804 推理令牌 0 响应时间（平均） 3.85s 响应时间（总计） 77.09s 响应时间（最大） 11.82s 答案错误: 10 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.8 编程 : 6.8 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
#151#151	Qwen3.6 35B A3Bnone	4.7	Qwen	$0.031 ↑	3.84s
查看模型卡片总测试数 20 错误测试数 16 可靠性 10.0 尝试通过率 31.7% 不稳定测试 5 输入令牌 16,488 输出令牌 27,747 推理令牌 0 响应时间（平均） 3.84s 响应时间（总计） 69.12s 响应时间（最大） 22.52s 答案错误: 12 API 错误: 2 未遵循指令: 2 反AI技巧 : 3.6 编程 : 6.8 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
#104#104	Qwen3.5-Flashnone	5.9	Qwen	$0.004 ↓	3.74s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 41.7% 不稳定测试 1 输入令牌 43,598 输出令牌 4,270 推理令牌 0 响应时间（平均） 3.74s 响应时间（总计） 74.71s 响应时间（最大） 27.18s 答案错误: 12 反AI技巧 : 3.5 编程 : 6.8 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 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#62#62	Claude Opus 4.8none	7.3	Anthropic	$0.519	3.51s
查看模型卡片总测试数 20 错误测试数 8 可靠性 10.0 尝试通过率 65.0% 不稳定测试 2 输入令牌 63,282 输出令牌 8,098 推理令牌 0 响应时间（平均） 3.51s 响应时间（总计） 70.19s 响应时间（最大） 17.73s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 6.8 综合 : 9.5 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#111#111	Qwen3.5-35B-A3Bnone	5.8	Qwen	$0.011 ↓	3.50s
查看模型卡片总测试数 20 错误测试数 13 可靠性 10.0 尝试通过率 45.0% 不稳定测试 3 输入令牌 45,353 输出令牌 4,334 推理令牌 0 响应时间（平均） 3.50s 响应时间（总计） 70.00s 响应时间（最大） 47.43s 答案错误: 11 未遵循指令: 2 反AI技巧 : 3.4 编程 : 6.8 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 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#131#131	Qwen3.5-122B-A10Bnone	5.4	Qwen	$0.019 ↓	3.38s
查看模型卡片总测试数 20 错误测试数 14 可靠性 10.0 尝试通过率 33.3% 不稳定测试 1 输入令牌 44,894 输出令牌 3,374 推理令牌 0 响应时间（平均） 3.38s 响应时间（总计） 67.55s 响应时间（最大） 46.00s 答案错误: 12 未遵循指令: 2 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 : 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
#69#69	Qwen3.6 Max Previewnone	7.1	Qwen	$0.072 ↓	3.31s
查看模型卡片总测试数 20 错误测试数 9 可靠性 10.0 尝试通过率 61.7% 不稳定测试 2 输入令牌 39,668 输出令牌 4,773 推理令牌 0 响应时间（平均） 3.31s 响应时间（总计） 66.17s 响应时间（最大） 20.51s 答案错误: 9 反AI技巧 : 5.2 编程 : 4.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#36#36	Gemini 3.1 Flash Litemedium	7.7	Google	$0.065	3.18s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 68.3% 不稳定测试 2 输入令牌 33,803 输出令牌 2,248 推理令牌 35,390 响应时间（平均） 3.18s 响应时间（总计） 63.55s 响应时间（最大） 10.87s 答案错误: 6 未遵循指令: 1 反AI技巧 : 9.1 编程 : 6.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#105#105	GLM 5V Turbonone	5.9	Z.ai	$0.049	3.04s
查看模型卡片总测试数 20 错误测试数 12 可靠性 10.0 尝试通过率 40.0% 不稳定测试 0 输入令牌 34,502 输出令牌 1,760 推理令牌 0 响应时间（平均） 3.04s 响应时间（总计） 60.88s 响应时间（最大） 6.51s 答案错误: 10 未遵循指令: 2 反AI技巧 : 4.8 编程 : 6.8 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 常识问答 : 3.0
#9#9	Claude Opus 4.7none	8.9	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 84.2% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 反AI技巧 : 8.3 编程 : 10.0 综合 : 9.5 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#120#120	GLM 4.7 Flashnone	5.6	Z.ai	$0.004	3.01s
查看模型卡片总测试数 20 错误测试数 14 可靠性 10.0 尝试通过率 38.3% 不稳定测试 3 输入令牌 36,147 输出令牌 2,515 推理令牌 0 响应时间（平均） 3.01s 响应时间（总计） 39.12s 响应时间（最大） 7.05s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 5.2 编程 : 5.0 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 : 6.4 工具调用 : 2.8 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 PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比