AI Benchy 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：: 2026-09-07 已评估模型: 319

319/319

排名	模型	分数	公司	总成本	响应时间（平均）
#119#119	GLM 5.3 Flashhigh	7.3	Z.ai	$0.029	25.36s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 3 输入令牌 113,003 输出令牌 11,558 推理令牌 66,760 响应时间（平均） 25.36s 响应时间（总计） 558.01s 响应时间（最大） 163.41s 答案错误: 4 额外格式: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 8.3 编程 : 8.2 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 5.0 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	Gemini 3.1 Flash Litemedium	7.3	Google	$0.120	4.38s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 62.1% 不稳定测试 2 输入令牌 104,925 输出令牌 9,168 推理令牌 53,188 响应时间（平均） 4.38s 响应时间（总计） 96.32s 响应时间（最大） 26.22s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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
#121#121	Qwen3.7 Plusnone	7.3	Qwen	$0.106 ↓	12.11s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 54.6% 不稳定测试 0 输入令牌 98,833 输出令牌 58,097 推理令牌 0 响应时间（平均） 12.11s 响应时间（总计） 266.40s 响应时间（最大） 206.03s 答案错误: 9 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 : 5.3 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
#122#122	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.106	84.66s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 71.2% 不稳定测试 8 输入令牌 89,819 输出令牌 58,398 推理令牌 492,457 响应时间（平均） 84.66s 响应时间（总计） 1862.46s 响应时间（最大） 288.78s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.2 编程 : 6.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.1 指令遵循 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#123#123	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 63.6% 不稳定测试 2 输入令牌 149,203 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.92s 响应时间（总计） 108.24s 响应时间（最大） 35.03s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.8 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#124#124	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 63.6% 不稳定测试 4 输入令牌 68,913 输出令牌 64,654 推理令牌 282,865 响应时间（平均） 115.89s 响应时间（总计） 2433.66s 响应时间（最大） 876.20s 超时: 3 答案错误: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 综合 : 6.9 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 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#125#125	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 6 输入令牌 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 22.11s 响应时间（总计） 486.31s 响应时间（最大） 199.97s 答案错误: 10 无效工具调用: 1 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#126#126	Muse Glimmer 30Bhigh	7.2	Meta	$0.397 ↓	66.70s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 8 输入令牌 103,494 输出令牌 100,589 推理令牌 270,217 响应时间（平均） 66.70s 响应时间（总计） 1467.39s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 反AI技巧 : 8.7 编程 : 8.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 8.4 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 3.0
#128#128	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 66.7% 不稳定测试 6 输入令牌 92,191 输出令牌 14,286 推理令牌 289,733 响应时间（平均） 38.05s 响应时间（总计） 837.05s 响应时间（最大） 394.54s 答案错误: 7 未遵循指令: 3 API 错误: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 6.4 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 : 8.5 谜题求解 : 7.3 工具调用 : 10.0 常识问答 : 3.0
#129#129	Muse Glimmer 30Bmedium	7.2	Meta	$0.211 ↓	30.64s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 6 输入令牌 116,513 输出令牌 33,065 推理令牌 135,009 响应时间（平均） 30.64s 响应时间（总计） 674.01s 响应时间（最大） 181.08s 答案错误: 9 未遵循指令: 1 无答案: 1 反AI技巧 : 9.2 编程 : 8.4 综合 : 6.5 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#130#130	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 71.2% 不稳定测试 4 输入令牌 124,780 输出令牌 47,694 推理令牌 439,825 响应时间（平均） 65.67s 响应时间（总计） 1444.68s 响应时间（最大） 519.30s 答案错误: 5 超时: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#131#131	Muse Glimmer 30Blow	7.1	Meta	$0.143 ↓	18.64s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 130,312 输出令牌 33,867 推理令牌 62,103 响应时间（平均） 18.64s 响应时间（总计） 410.18s 响应时间（最大） 234.92s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.1 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 8.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#132#132	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 103,842 输出令牌 320,393 推理令牌 0 响应时间（平均） 17.87s 响应时间（总计） 393.04s 响应时间（最大） 124.75s 答案错误: 9 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 7.3 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#133#133	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 62.1% 不稳定测试 5 输入令牌 79,740 输出令牌 23,357 推理令牌 339,837 响应时间（平均） 120.58s 响应时间（总计） 2652.77s 响应时间（最大） 491.07s 答案错误: 5 未遵循指令: 3 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 8.7 编程 : 5.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 7.9 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#134#134	Grok 4.3medium	7.0	X AI	$0.741	44.21s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 5 输入令牌 140,244 输出令牌 13,739 推理令牌 212,165 响应时间（平均） 44.21s 响应时间（总计） 972.64s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#135#135	GPT-5.6 Solnone	7.0	OpenAI	$0.201 ↓	2.17s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 63.6% 不稳定测试 3 输入令牌 78,602 输出令牌 4,357 推理令牌 0 响应时间（平均） 2.17s 响应时间（总计） 47.66s 响应时间（最大） 12.81s 答案错误: 9 未遵循指令: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#136#136	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.43s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 101,056 输出令牌 11,832 推理令牌 116,955 响应时间（平均） 68.43s 响应时间（总计） 1505.53s 响应时间（最大） 376.10s 答案错误: 5 API 错误: 2 超时: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#138#138	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 59.1% 不稳定测试 2 输入令牌 79,294 输出令牌 4,915 推理令牌 0 响应时间（平均） 2.35s 响应时间（总计） 51.78s 响应时间（最大） 12.24s 答案错误: 10 反AI技巧 : 6.9 编程 : 5.5 综合 : 6.5 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#139#139	Mercury 2medium	7.0	Inception	$0.094	2.95s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 53.0% 不稳定测试 4 输入令牌 110,515 输出令牌 10,325 推理令牌 77,229 响应时间（平均） 2.95s 响应时间（总计） 61.89s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#140#140	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 60.6% 不稳定测试 5 输入令牌 102,986 输出令牌 5,860 推理令牌 264,399 响应时间（平均） 32.56s 响应时间（总计） 716.36s 响应时间（最大） 199.66s 答案错误: 6 额外格式: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#142#142	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 63.6% 不稳定测试 8 输入令牌 118,496 输出令牌 53,522 推理令牌 167,420 响应时间（平均） 98.19s 响应时间（总计） 1571.05s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 无效工具调用: 1 反AI技巧 : 7.3 编程 : 6.1 综合 : 6.7 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#143#143	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.478	24.87s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 65.2% 不稳定测试 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 24.87s 响应时间（总计） 547.14s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 1 未遵循指令: 1 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#144#144	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 56.1% 不稳定测试 2 输入令牌 134,582 输出令牌 8,955 推理令牌 15,420 响应时间（平均） 10.33s 响应时间（总计） 227.37s 响应时间（最大） 33.10s 额外格式: 4 答案错误: 4 未遵循指令: 3 反AI技巧 : 6.5 编程 : 3.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#145#145	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 63.6% 不稳定测试 7 输入令牌 114,477 输出令牌 12,786 推理令牌 457,290 响应时间（平均） 47.38s 响应时间（总计） 1042.43s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#147#147	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 69.7% 不稳定测试 3 输入令牌 13,852 输出令牌 119,100 推理令牌 0 响应时间（平均） 10.18s 响应时间（总计） 183.29s 响应时间（最大） 64.36s API 错误: 4 答案错误: 4 反AI技巧 : 10.0 编程 : 8.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8

全球基准趋势

了解当前模型如何权衡得分、成本、速度、输出长度和各类别能力。

图表 →

智能与成本的帕累托前沿

领先公司最高得分随时间的变化

智能与响应速度的帕累托前沿

得分与输出令牌的帕累托前沿

各模型的类别难度

快速对比

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium

AI Benchy 排行榜

推荐模型

筛选模型

全球基准趋势

智能与成本的帕累托前沿

领先公司最高得分随时间的变化

智能与响应速度的帕累托前沿

得分与输出令牌的帕累托前沿

各模型的类别难度

快速对比