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）
#128#128	Qwen3.6 Flashnone	5.4	Qwen	$0.015 ↓	1.60s
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 33.3% 不稳定测试 0 输入令牌 50,810 输出令牌 4,164 推理令牌 0 响应时间（平均） 1.60s 响应时间（总计） 33.59s 响应时间（最大） 4.60s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 5.4 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
#87#87	Gemini 3.1 Flash Liteminimal	6.4	Google	$0.013	1.33s
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 54.0% 不稳定测试 3 输入令牌 36,973 输出令牌 2,487 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 27.91s 响应时间（最大） 4.49s 答案错误: 8 未遵循指令: 3 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 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#90#90	Gemini 3.1 Flash Litenone	6.4	Google	$0.013	1.06s
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 52.4% 不稳定测试 4 输入令牌 36,710 输出令牌 2,484 推理令牌 0 响应时间（平均） 1.06s 响应时间（总计） 22.35s 响应时间（最大） 2.97s 答案错误: 11 未遵循指令: 1 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 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#99#99	gpt-oss-120bmedium	6.1	OpenAI	$0.013 ↓	22.28s
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 52.4% 不稳定测试 5 输入令牌 39,084 输出令牌 20,013 推理令牌 50,233 响应时间（平均） 22.28s 响应时间（总计） 311.96s 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 : 5.9 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
#117#117	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.012 ↓	3.37s
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 42.9% 不稳定测试 3 输入令牌 48,194 输出令牌 4,343 推理令牌 0 响应时间（平均） 3.37s 响应时间（总计） 70.75s 响应时间（最大） 47.43s 答案错误: 12 未遵循指令: 2 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 : 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
#155#155	Mercury 2none	4.5	Inception	$0.011	653ms
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 23.8% 不稳定测试 2 输入令牌 28,113 输出令牌 4,439 推理令牌 0 响应时间（平均） 653ms 响应时间（总计） 13.72s 响应时间（最大） 1.43s 答案错误: 16 未遵循指令: 1 反AI技巧 : 3.0 编程 : 3.4 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 常识问答 : 3.0
#148#148	GPT-5.4 Nanonone	4.7	OpenAI	$0.011	1.48s
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 34,212 输出令牌 2,784 推理令牌 0 响应时间（平均） 1.48s 响应时间（总计） 31.01s 响应时间（最大） 4.47s 答案错误: 15 未遵循指令: 2 反AI技巧 : 3.5 编程 : 4.6 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 : 6.3 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#126#126	gpt-oss-120bnone	5.4	OpenAI	$0.010 ↓	21.61s
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 38.6% 不稳定测试 2 输入令牌 9,081 输出令牌 51,664 推理令牌 0 响应时间（平均） 21.61s 响应时间（总计） 345.79s 响应时间（最大） 113.71s 答案错误: 8 API 错误: 3 未遵循指令: 2 反AI技巧 : 6.5 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 : 4.8 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 3.0 常识问答 : 3.0
#140#140	Qwen3 Coder Nextnone	4.9	Qwen	$0.009 ↓	8.62s
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 27.0% 不稳定测试 1 输入令牌 47,507 输出令牌 3,584 推理令牌 0 响应时间（平均） 8.62s 响应时间（总计） 129.37s 响应时间（最大） 45.14s 答案错误: 14 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 4.6 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 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#150#150	Qwen3 Coder Nextmedium	4.6	Qwen	$0.008 ↓	8.58s
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 28.6% 不稳定测试 3 输入令牌 47,250 输出令牌 3,319 推理令牌 0 响应时间（平均） 8.58s 响应时间（总计） 128.68s 响应时间（最大） 81.80s 答案错误: 13 未遵循指令: 3 超时: 1 反AI技巧 : 3.5 编程 : 3.7 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 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#151#151	Trinity Large Previewnone	4.6	Arcee AI	$0.008 ↑	2.98s
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 22.2% 不稳定测试 2 输入令牌 29,828 输出令牌 2,169 推理令牌 0 响应时间（平均） 2.98s 响应时间（总计） 56.57s 响应时间（最大） 14.34s 答案错误: 12 未遵循指令: 3 API 错误: 2 反AI技巧 : 3.1 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 : 4.5 指令遵循 : 3.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#157#157	Grok 4.1 Fastnone	4.4	X AI	$0.008 ↓	1.62s
查看模型卡片总测试数 19 错误测试数 16 可靠性 10.0 尝试通过率 22.8% 不稳定测试 3 输入令牌 36,608 输出令牌 1,723 推理令牌 0 响应时间（平均） 1.62s 响应时间（总计） 19.48s 响应时间（最大） 5.51s 答案错误: 13 未遵循指令: 3 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 : 3.0 工具调用 : 2.8 常识问答 : 3.0
#139#139	DeepSeek V4 Flashnone	5.0	DeepSeek	$0.008 ↓	26.75s
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 50,127 输出令牌 13,710 推理令牌 0 响应时间（平均） 26.75s 响应时间（总计） 561.82s 响应时间（最大） 111.96s 答案错误: 12 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 4.2 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 常识问答 : 3.0
#142#142	Mistral Small 4none	4.9	Mistral	$0.007	630ms
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 27.0% 不稳定测试 1 输入令牌 37,309 输出令牌 2,201 推理令牌 0 响应时间（平均） 630ms 响应时间（总计） 13.22s 响应时间（最大） 1.72s 答案错误: 15 未遵循指令: 1 反AI技巧 : 3.4 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 : 4.0 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#143#143	MiMo-V2.5none	4.9	Xiaomi	$0.007 ↓	2.20s
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 27.0% 不稳定测试 1 输入令牌 41,985 输出令牌 2,267 推理令牌 0 响应时间（平均） 2.20s 响应时间（总计） 46.21s 响应时间（最大） 6.86s 答案错误: 14 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#141#141	Nemotron 3 Supernone	4.9	NVIDIA	$0.007 ↑	5.30s
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 31.8% 不稳定测试 3 输入令牌 36,456 输出令牌 6,195 推理令牌 0 响应时间（平均） 5.30s 响应时间（总计） 111.31s 响应时间（最大） 16.45s 答案错误: 14 未遵循指令: 2 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 : 4.6 指令遵循 : 6.3 谜题求解 : 5.5 工具调用 : 4.7 常识问答 : 3.0
#147#147	GPT-4o-mininone	4.8	OpenAI	$0.006	1.77s
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 23.8% 不稳定测试 0 输入令牌 31,518 输出令牌 1,982 推理令牌 0 响应时间（平均） 1.77s 响应时间（总计） 24.80s 响应时间（最大） 7.58s 答案错误: 15 未遵循指令: 1 反AI技巧 : 4.8 编程 : 3.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#159#159	Ling-2.6-1Tnone	4.3	Inclusionai	$0.005	7.72s
查看模型卡片总测试数 21 错误测试数 18 可靠性不适用尝试通过率 14.3% 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: 3 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.4 编程 : 3.8 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
#108#108	Qwen3.5-Flashnone	5.8	Qwen	$0.005 ↓	3.58s
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 46,439 输出令牌 4,276 推理令牌 0 响应时间（平均） 3.58s 响应时间（总计） 75.28s 响应时间（最大） 27.18s 答案错误: 13 反AI技巧 : 3.5 编程 : 5.5 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
#122#122	GLM 4.7 Flashnone	5.5	Z.ai	$0.004	2.86s
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 36.5% 不稳定测试 3 输入令牌 38,745 输出令牌 2,521 推理令牌 0 响应时间（平均） 2.86s 响应时间（总计） 40.04s 响应时间（最大） 7.05s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 5.2 编程 : 4.3 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
#85#85	Gemma 4 31Bnone	6.5	Google	$0.004 ↓	4.05s
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 20,911 输出令牌 1,407 推理令牌 0 响应时间（平均） 4.05s 响应时间（总计） 76.87s 响应时间（最大） 26.13s 答案错误: 8 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.5 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
#102#102	Gemma 4 26B A4Bnone	6.0	Google	$0.004 ↓	5.91s
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 44.4% 不稳定测试 2 输入令牌 40,038 输出令牌 1,824 推理令牌 0 响应时间（平均） 5.91s 响应时间（总计） 124.05s 响应时间（最大） 57.10s 答案错误: 10 未遵循指令: 2 超时: 1 反AI技巧 : 8.3 编程 : 3.7 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
#163#163	Granite 4.1 8Bnone	4.0	IBM Granite	$0.003	728ms
查看模型卡片总测试数 21 错误测试数 19 可靠性 10.0 尝试通过率 9.5% 不稳定测试 0 输入令牌 46,285 输出令牌 2,911 推理令牌 0 响应时间（平均） 728ms 响应时间（总计） 15.29s 响应时间（最大） 2.17s 答案错误: 13 未遵循指令: 4 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.9 编程 : 4.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 3.6 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#154#154	Qwen3.5-9Bnone	4.6	Qwen	$0.003 ↓	1.89s
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 20.6% 不稳定测试 1 输入令牌 48,041 输出令牌 3,952 推理令牌 0 响应时间（平均） 1.89s 响应时间（总计） 39.68s 响应时间（最大） 6.03s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.1 编程 : 3.9 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 常识问答 : 3.0
#156#156	Hy3 previewnone	4.4	Tencent	$0.003	12.92s
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 23.8% 不稳定测试 2 输入令牌 27,172 输出令牌 2,661 推理令牌 0 响应时间（平均） 12.92s 响应时间（总计） 232.64s 响应时间（最大） 35.84s 答案错误: 8 API 错误: 4 未遵循指令: 4 额外格式: 1 反AI技巧 : 4.8 编程 : 2.7 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 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#138#138	Ling-2.6-flashnone	5.0	Inclusionai	$0.001 ↑	9.34s
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 2 输入令牌 40,718 输出令牌 2,878 推理令牌 0 响应时间（平均） 9.34s 响应时间（总计） 177.48s 响应时间（最大） 35.34s 答案错误: 9 API 错误: 2 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 6.8 编程 : 5.3 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#160#160	LFM2-24B-A2Bnone	4.2	Liquid	$0.001	782ms
查看模型卡片总测试数 16 错误测试数 14 可靠性不适用尝试通过率 16.7% 不稳定测试 1 输入令牌 10,771 输出令牌 1,173 推理令牌 0 响应时间（平均） 782ms 响应时间（总计） 10.94s 响应时间（最大） 3.15s 答案错误: 9 API 错误: 4 未遵循指令: 1 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 : 6.3 谜题求解 : 3.8 工具调用 : 3.0
#41#41	Nemotron 3 Ultra 550b A55bmedium	7.5	NVIDIA	$0.000	15.05s
查看模型卡片总测试数 21 错误测试数 8 可靠性 9.7 尝试通过率 69.8% 不稳定测试 3 输入令牌 46,813 输出令牌 18,002 推理令牌 53,091 响应时间（平均） 15.05s 响应时间（总计） 316.09s 响应时间（最大） 43.93s 答案错误: 7 API 错误: 1 反AI技巧 : 10.0 编程 : 8.4 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 3.7 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#79#79	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
#92#92	Laguna M.1medium	6.4	Poolside	$0.000	14.73s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 52.6% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 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 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0

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