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）
#92#92	Qwen3.5 Plus 2026-02-15none	6.4	Qwen	$0.016 ↓	2.40s
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 48.3% 不稳定测试 2 输入令牌 43,023 输出令牌 2,474 推理令牌 0 响应时间（平均） 2.40s 响应时间（总计） 33.56s 响应时间（最大） 6.65s 答案错误: 11 反AI技巧 : 4.8 编程 : 4.9 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
#93#93	Ring-2.6-1Tnone	6.4	Inclusionai	$0.026	55.10s
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 50.0% 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 答案错误: 5 API 错误: 4 未遵循指令: 2 反AI技巧 : 9.2 编程 : 6.5 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
#94#94	Gemini 2.5 Flashnone	6.4	Google	$0.015	889ms
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 48.3% 不稳定测试 1 输入令牌 32,923 输出令牌 1,764 推理令牌 0 响应时间（平均） 889ms 响应时间（总计） 17.79s 响应时间（最大） 4.39s 答案错误: 11 反AI技巧 : 3.0 编程 : 6.8 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
#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
#78#78	Hunter Alphamedium	6.7	OpenRouter	$0.000	10.33s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 64.8% 不稳定测试 6 输入令牌 28,927 输出令牌 4,682 推理令牌 17,969 响应时间（平均） 10.33s 响应时间（总计） 175.58s 响应时间（最大） 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 7.3 编程 : 3.0 综合 : 4.7 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0
#86#86	Grok 4.20 Multi Agent Betamedium	6.6	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 59.3% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 反AI技巧 : 6.9 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 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
#98#98	Mimo V2 Omninone	6.2	Xiaomi	$0.021 ↓	2.44s
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 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 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 5.1 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
#99#99	GPT-5 Nanomedium	6.1	OpenAI	$0.077	43.52s
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 55.0% 不稳定测试 7 输入令牌 31,489 输出令牌 5,328 推理令牌 181,056 响应时间（平均） 43.52s 响应时间（总计） 565.82s 响应时间（最大） 204.02s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 6.5 编程 : 5.4 综合 : 10.0 数据解析与提取 : 3.7 领域专项 : 5.2 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#100#100	DeepSeek V4 Prohigh	6.1	DeepSeek	$0.062 ↓	58.92s
查看模型卡片总测试数 20 错误测试数 12 可靠性 8.9 尝试通过率 55.0% 不稳定测试 6 输入令牌 30,514 输出令牌 12,244 推理令牌 53,958 响应时间（平均） 58.92s 响应时间（总计） 1119.51s 响应时间（最大） 358.35s API 错误: 5 答案错误: 4 超时: 2 未遵循指令: 1 反AI技巧 : 6.4 编程 : 2.7 综合 : 10.0 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 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#102#102	Nemotron 3 Supermedium	5.9	NVIDIA	$0.019 ↑	20.87s
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 43.3% 不稳定测试 2 输入令牌 36,614 输出令牌 14,505 推理令牌 30,178 响应时间（平均） 20.87s 响应时间（总计） 375.66s 响应时间（最大） 87.80s 答案错误: 5 未遵循指令: 3 API 错误: 2 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
#103#103	gpt-oss-120bmedium	5.9	OpenAI	$0.012 ↓	22.41s
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 50.0% 不稳定测试 5 输入令牌 36,355 输出令牌 17,495 推理令牌 46,878 响应时间（平均） 22.41s 响应时间（总计） 291.35s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 反AI技巧 : 6.7 编程 : 3.9 综合 : 10.0 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 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
#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
#106#106	Seed-2.0-Litenone	5.9	Bytedance Seed	$0.018	2.48s
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 48.3% 不稳定测试 4 输入令牌 43,630 输出令牌 3,253 推理令牌 0 响应时间（平均） 2.48s 响应时间（总计） 49.67s 响应时间（最大） 6.70s 答案错误: 12 反AI技巧 : 3.0 编程 : 6.8 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
#107#107	Owl Alphamedium	5.8	Openrouter	$0.000	11.64s
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 40,601 输出令牌 2,965 推理令牌 0 响应时间（平均） 11.64s 响应时间（总计） 232.83s 响应时间（最大） 58.63s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 4.8 编程 : 6.6 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 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#101#101	Grok Build 0.1none	6.0	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 50.9% 不稳定测试 4 输入令牌 11,793 输出令牌 267,275 推理令牌 0 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 反AI技巧 : 8.7 编程 : 10.0 综合 : 3.0 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#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
#109#109	DeepSeek V4 Pronone	5.8	DeepSeek	$0.024 ↓	12.91s
查看模型卡片总测试数 20 错误测试数 13 可靠性 8.5 尝试通过率 45.0% 不稳定测试 4 输入令牌 42,256 输出令牌 5,345 推理令牌 0 响应时间（平均） 12.91s 响应时间（总计） 258.27s 响应时间（最大） 58.65s 答案错误: 9 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.5 编程 : 5.4 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
#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
#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
#113#113	Qwen3.5-27Bnone	5.8	Qwen	$0.014 ↓	1.69s
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 40.0% 不稳定测试 2 输入令牌 41,637 输出令牌 3,585 推理令牌 0 响应时间（平均） 1.69s 响应时间（总计） 33.82s 响应时间（最大） 9.39s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 7.3 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
#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
#116#116	Cobuddymedium	5.8	Baidu	$0.000	39.90s
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 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 39.90s 响应时间（总计） 797.98s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.7 编程 : 4.1 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#117#117	Mimo V2 PROnone	5.7	Xiaomi	$0.045 ↓	2.27s
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 3 输入令牌 39,344 输出令牌 2,352 推理令牌 0 响应时间（平均） 2.27s 响应时间（总计） 45.50s 响应时间（最大） 6.58s 答案错误: 11 未遵循指令: 2 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 : 5.3 通用智能 : 4.3 指令遵循 : 6.5 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#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
#121#121	GPT-5.4none	5.6	OpenAI	$0.116	1.45s
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 2 输入令牌 31,593 输出令牌 2,402 推理令牌 0 响应时间（平均） 1.45s 响应时间（总计） 29.00s 响应时间（最大） 2.95s 答案错误: 12 未遵循指令: 1 反AI技巧 : 3.2 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 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#123#123	Kimi K2.6none	5.6	Moonshot AI	$0.077 ↓	13.82s
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 2 输入令牌 30,318 输出令牌 16,405 推理令牌 0 响应时间（平均） 13.82s 响应时间（总计） 276.39s 响应时间（最大） 238.89s 答案错误: 10 未遵循指令: 3 反AI技巧 : 4.6 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 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#124#124	Qwen3.6 Flashnone	5.5	Qwen	$0.014 ↓	1.65s
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 35.0% 不稳定测试 0 输入令牌 47,969 输出令牌 4,158 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 32.91s 响应时间（最大） 4.60s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 6.6 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#112#112	Grok 4.20 Betanone	5.8	X AI	$0.087 ↓	1.19s
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 37.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 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 : 6.3 谜题求解 : 7.7 工具调用 : 10.0

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