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）
#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
#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
#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
#144#144	GPT-5.4 Mininone	4.9	OpenAI	$0.038	1.13s
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 34,244 输出令牌 2,541 推理令牌 0 响应时间（平均） 1.13s 响应时间（总计） 23.82s 响应时间（最大） 2.52s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.1 编程 : 5.5 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 常识问答 : 3.0
#146#146	Laguna Xs.2none	4.8	Poolside	$0.000	806ms
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 26.3% 不稳定测试 0 输入令牌 33,675 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 API 错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 2.5 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 : 6.5 谜题求解 : 5.3 工具调用 : 3.0 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
#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
#149#149	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	4.6	NVIDIA	$0.000	17.13s
查看模型卡片总测试数 19 错误测试数 15 可靠性 10.0 尝试通过率 31.6% 不稳定测试 5 输入令牌 11,661 输出令牌 48,491 推理令牌 180,695 响应时间（平均） 17.13s 响应时间（总计） 222.66s 响应时间（最大） 147.45s 答案错误: 7 API 错误: 6 未遵循指令: 1 无答案: 1 反AI技巧 : 6.4 编程 : 3.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.0 指令遵循 : 7.3 谜题求解 : 2.9 工具调用 : 3.0 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
#153#153	Qwen3.6 35B A3Bnone	4.6	Qwen	$0.031 ↑	3.73s
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 19,329 输出令牌 27,755 推理令牌 0 响应时间（平均） 3.73s 响应时间（总计） 70.86s 响应时间（最大） 22.52s 答案错误: 13 API 错误: 2 未遵循指令: 2 反AI技巧 : 3.6 编程 : 5.5 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
#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
#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
#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
#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
#162#162	Nemotron 3 Nano Omni 30b A3b Reasoningnone	4.1	NVIDIA	$0.000	728ms
查看模型卡片总测试数 19 错误测试数 17 可靠性 10.0 尝试通过率 17.5% 不稳定测试 2 输入令牌 11,661 输出令牌 1,302 推理令牌 0 响应时间（平均） 728ms 响应时间（总计） 9.47s 响应时间（最大） 2.21s 答案错误: 9 API 错误: 6 未遵循指令: 2 反AI技巧 : 4.8 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 : 3.0 指令遵循 : 4.8 谜题求解 : 3.0 工具调用 : 3.0 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
#22#22	Step 3.7 Flashmedium	8.0	Stepfun	$0.376	20.35s
查看模型卡片总测试数 21 错误测试数 7 可靠性 9.9 尝试通过率 73.0% 不稳定测试 2 输入令牌 39,981 输出令牌 319,958 推理令牌 0 响应时间（平均） 20.35s 响应时间（总计） 427.42s 响应时间（最大） 113.98s 答案错误: 5 未遵循指令: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 3.0
#145#145	Laguna M.1none	4.8	Poolside	$0.000	2.89s
查看模型卡片总测试数 19 错误测试数 15 可靠性 9.8 尝试通过率 31.6% 不稳定测试 3 输入令牌 38,147 输出令牌 2,054 推理令牌 0 响应时间（平均） 2.89s 响应时间（总计） 43.28s 响应时间（最大） 15.42s 答案错误: 10 API 错误: 4 无效工具调用: 1 反AI技巧 : 3.4 编程 : 7.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#41#41	Nemotron 3 Ultra 550b A55bmedium	7.5	NVIDIA	$0.177 ↕	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
#51#51	Mimo V2 PROmedium	7.4	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 73.0% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 4.7 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#67#67	MiniMax M3medium	7.1	Minimax	$0.131	68.17s
查看模型卡片总测试数 21 错误测试数 10 可靠性 9.6 尝试通过率 65.1% 不稳定测试 5 输入令牌 46,546 输出令牌 49,036 推理令牌 92,543 响应时间（平均） 68.17s 响应时间（总计） 1363.38s 响应时间（最大） 431.03s 超时: 3 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.5 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#103#103	DeepSeek V4 Prohigh	6.0	DeepSeek	$0.079 ↓	65.21s
查看模型卡片总测试数 21 错误测试数 13 可靠性 9.0 尝试通过率 52.4% 不稳定测试 6 输入令牌 32,240 输出令牌 12,250 推理令牌 72,257 响应时间（平均） 65.21s 响应时间（总计） 1304.19s 响应时间（最大） 358.35s API 错误: 5 答案错误: 4 超时: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 3.3 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
#113#113	DeepSeek V4 Pronone	5.7	DeepSeek	$0.025 ↓	12.38s
查看模型卡片总测试数 21 错误测试数 14 可靠性 8.5 尝试通过率 42.9% 不稳定测试 4 输入令牌 44,845 输出令牌 5,349 推理令牌 0 响应时间（平均） 12.38s 响应时间（总计） 260.06s 响应时间（最大） 58.65s 答案错误: 10 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.5 编程 : 4.6 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
#55#55	GLM 5.1medium	7.3	Z.ai	$0.292 ↓	33.67s
查看模型卡片总测试数 21 错误测试数 9 可靠性 6.7 尝试通过率 68.3% 不稳定测试 4 输入令牌 32,995 输出令牌 11,655 推理令牌 75,421 响应时间（平均） 33.67s 响应时间（总计） 673.41s 响应时间（最大） 172.60s 答案错误: 4 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.5 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#73#73	Seed-2.0-Minimedium	6.9	Bytedance Seed	$0.044	80.22s
查看模型卡片总测试数 21 错误测试数 10 可靠性 6.7 尝试通过率 57.1% 不稳定测试 2 输入令牌 41,904 输出令牌 2,555 推理令牌 95,974 响应时间（平均） 80.22s 响应时间（总计） 1363.72s 响应时间（最大） 262.83s 超时: 5 答案错误: 4 未遵循指令: 1 反AI技巧 : 6.6 编程 : 5.5 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#152#152	MiMo-V2-Flashnone	4.6	Xiaomi	$0.025 ↑	2.76s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 25.4% 不稳定测试 4 输入令牌 36,851 输出令牌 68,882 推理令牌 0 响应时间（平均） 2.76s 响应时间（总计） 46.99s 响应时间（最大） 19.68s 答案错误: 13 未遵循指令: 2 API 错误: 1 额外格式: 1 反AI技巧 : 3.2 编程 : 4.3 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#158#158	GLM 4.7 Flashmedium	4.4	Z.ai	$0.054	35.10s
查看模型卡片总测试数 21 错误测试数 17 可靠性 6.7 尝试通过率 33.3% 不稳定测试 8 输入令牌 37,206 输出令牌 43,754 推理令牌 89,079 响应时间（平均） 35.10s 响应时间（总计） 456.24s 响应时间（最大） 174.55s 答案错误: 9 无答案: 3 未遵循指令: 2 超时: 2 无效工具调用: 1 反AI技巧 : 4.7 编程 : 3.2 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 常识问答 : 3.0
#161#161	Qwen3.5-9Bmedium	4.2	Qwen	$0.035 ↓	82.24s
查看模型卡片总测试数 21 错误测试数 18 可靠性 6.7 尝试通过率 27.0% 不稳定测试 5 输入令牌 17,070 输出令牌 29,045 推理令牌 209,516 响应时间（平均） 82.24s 响应时间（总计） 1315.88s 响应时间（最大） 226.38s 超时: 11 无答案: 2 答案错误: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 5.1 编程 : 2.9 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 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0

←

1 2 3 4 5 6

→

快速对比

AI 基准排行榜

筛选模型

快速对比