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）
#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
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
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 33.3% 不稳定测试 0 输入令牌 41,313 输出令牌 1,923 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 19.96s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 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 : 3.0 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.3 工具调用 : 10.0
#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
#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
#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
#122#122	MiMo-V2.5-Pronone	5.6	Xiaomi	$0.016 ↓	1.84s
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 41.7% 不稳定测试 4 输入令牌 28,962 输出令牌 3,037 推理令牌 0 响应时间（平均） 1.84s 响应时间（总计） 36.79s 响应时间（最大） 8.32s 答案错误: 10 未遵循指令: 4 反AI技巧 : 3.3 编程 : 5.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.4 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#130#130	DeepSeek V3.2none	5.4	DeepSeek	$0.017 ↓	14.43s
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 41.7% 不稳定测试 6 输入令牌 53,408 输出令牌 11,159 推理令牌 0 响应时间（平均） 14.43s 响应时间（总计） 288.55s 响应时间（最大） 115.89s 答案错误: 6 API 错误: 4 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.2 编程 : 3.1 综合 : 6.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 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
#132#132	GLM 5 Turbonone	5.3	Z.ai	$0.044 ↑	2.86s
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 2 输入令牌 29,927 输出令牌 1,809 推理令牌 0 响应时间（平均） 2.86s 响应时间（总计） 57.24s 响应时间（最大） 8.21s 答案错误: 12 未遵循指令: 2 反AI技巧 : 3.0 编程 : 4.4 综合 : 3.0 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 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#133#133	Kimi K2.5none	5.3	Moonshot AI	$0.027 ↑	14.06s
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 36.7% 不稳定测试 3 输入令牌 33,436 输出令牌 6,653 推理令牌 0 响应时间（平均） 14.06s 响应时间（总计） 182.72s 响应时间（最大） 42.13s 答案错误: 14 反AI技巧 : 3.6 编程 : 6.8 综合 : 2.8 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 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#134#134	Elephant Alphamedium	5.3	Openrouter	$0.000	1.27s
查看模型卡片总测试数 20 错误测试数 14 可靠性不适用尝试通过率 31.7% 不稳定测试 1 输入令牌 33,744 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.0 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#135#135	Ling-2.6-flashnone	5.2	Inclusionai	$0.001 ↑	9.34s
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 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 未遵循指令: 2 无效工具调用: 2 API 错误: 1 反AI技巧 : 6.8 编程 : 6.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0
#145#145	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
#125#125	MiniMax M2.5medium	5.5	Minimax	$0.294 ↓	49.87s
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 48.3% 不稳定测试 9 输入令牌 41,948 输出令牌 109,492 推理令牌 251,674 响应时间（平均） 49.87s 响应时间（总计） 598.39s 响应时间（最大） 237.27s 答案错误: 7 超时: 4 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 3.5 综合 : 4.5 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#128#128	MiniMax M2.7medium	5.4	Minimax	$0.104 ↓	29.86s
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 48.3% 不稳定测试 8 输入令牌 33,493 输出令牌 8,224 推理令牌 73,373 响应时间（平均） 29.86s 响应时间（总计） 567.39s 响应时间（最大） 117.04s 答案错误: 6 未遵循指令: 5 超时: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.9 编程 : 6.7 综合 : 4.7 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 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
#136#136	Elephant Alphanone	5.1	Openrouter	$0.000	1.22s
查看模型卡片总测试数 20 错误测试数 15 可靠性不适用尝试通过率 28.3% 不稳定测试 1 输入令牌 33,743 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.22s 响应时间（总计） 22.03s 响应时间（最大） 3.81s 答案错误: 9 未遵循指令: 3 API 错误: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.7 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 : 4.2 工具调用 : 3.0 常识问答 : 3.0
#137#137	DeepSeek V4 Flashnone	5.1	DeepSeek	$0.008 ↓	27.97s
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 31.7% 不稳定测试 3 输入令牌 47,538 输出令牌 13,700 推理令牌 0 响应时间（平均） 27.97s 响应时间（总计） 559.36s 响应时间（最大） 111.96s 答案错误: 11 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 : 4.8 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
#138#138	Qwen3 Coder Nextnone	5.1	Qwen	$0.008 ↓	9.05s
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 28.3% 不稳定测试 1 输入令牌 44,864 输出令牌 3,575 推理令牌 0 响应时间（平均） 9.05s 响应时间（总计） 126.72s 响应时间（最大） 45.14s 答案错误: 13 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 5.4 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
#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
#140#140	Mistral Small 4none	5.0	Mistral	$0.007	629ms
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 28.3% 不稳定测试 1 输入令牌 34,567 输出令牌 2,192 推理令牌 0 响应时间（平均） 629ms 响应时间（总计） 12.59s 响应时间（最大） 1.72s 答案错误: 14 未遵循指令: 1 反AI技巧 : 3.4 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 : 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
#141#141	MiMo-V2.5none	5.0	Xiaomi	$0.007 ↓	2.20s
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 28.3% 不稳定测试 1 输入令牌 39,342 输出令牌 2,258 推理令牌 0 响应时间（平均） 2.20s 响应时间（总计） 43.96s 响应时间（最大） 6.86s 答案错误: 13 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.5 编程 : 6.8 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
#142#142	GPT-5.4 Mininone	4.9	OpenAI	$0.036	1.15s
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 31.7% 不稳定测试 3 输入令牌 31,625 输出令牌 2,508 推理令牌 0 响应时间（平均） 1.15s 响应时间（总计） 23.09s 响应时间（最大） 2.52s 答案错误: 12 未遵循指令: 3 反AI技巧 : 3.1 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 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#143#143	GPT-4o-mininone	4.9	OpenAI	$0.006	1.85s
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 25.0% 不稳定测试 0 输入令牌 28,896 输出令牌 1,977 推理令牌 0 响应时间（平均） 1.85s 响应时间（总计） 24.00s 响应时间（最大） 7.58s 答案错误: 14 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
#144#144	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
#152#152	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
#146#146	GPT-5.4 Nanonone	4.8	OpenAI	$0.010	1.33s
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 31,593 输出令牌 2,769 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 26.54s 响应时间（最大） 3.84s 答案错误: 14 未遵循指令: 2 反AI技巧 : 3.5 编程 : 5.4 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
#147#147	Qwen3 Coder Nextmedium	4.7	Qwen	$0.008 ↓	9.16s
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 30.0% 不稳定测试 3 输入令牌 44,607 输出令牌 3,310 推理令牌 0 响应时间（平均） 9.16s 响应时间（总计） 128.25s 响应时间（最大） 81.80s 答案错误: 12 未遵循指令: 3 超时: 1 反AI技巧 : 3.5 编程 : 4.1 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
#148#148	Trinity Large Previewnone	4.7	Arcee AI	$0.008 ↑	2.98s
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 23.3% 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: 1 反AI技巧 : 3.1 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 : 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
#149#149	Qwen3.5-9Bnone	4.7	Qwen	$0.003 ↓	1.68s
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 21.7% 不稳定测试 1 输入令牌 45,200 输出令牌 3,943 推理令牌 0 响应时间（平均） 1.68s 响应时间（总计） 33.66s 响应时间（最大） 5.91s 答案错误: 13 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.1 编程 : 4.4 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

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