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）
#148#148	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
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 129,050 输出令牌 20,026 推理令牌 616,923 响应时间（平均） 44.97s 响应时间（总计） 989.32s 响应时间（最大） 578.13s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#149#149	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
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 4 输入令牌 98,700 输出令牌 1,050,900 推理令牌 0 响应时间（平均） 70.10s 响应时间（总计） 1542.14s 响应时间（最大） 364.99s 答案错误: 7 无答案: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 4.0 综合 : 8.7 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 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#151#151	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
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 60.6% 不稳定测试 6 输入令牌 90,556 输出令牌 6,153 推理令牌 332,220 响应时间（平均） 136.11s 响应时间（总计） 2994.49s 响应时间（最大） 640.89s 答案错误: 6 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.3 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 : 8.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#153#153	DeepSeek V4 Pronone	6.8	DeepSeek	$0.210 ↑	11.71s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 47.0% 不稳定测试 4 输入令牌 148,078 输出令牌 35,547 推理令牌 0 响应时间（平均） 11.71s 响应时间（总计） 257.67s 响应时间（最大） 119.44s 答案错误: 9 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 3.2 编程 : 5.6 综合 : 7.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#154#154	GLM 5.3low	6.8	Z.ai	$0.257	13.65s
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 65.2% 不稳定测试 4 输入令牌 104,989 输出令牌 8,532 推理令牌 16,276 响应时间（平均） 13.65s 响应时间（总计） 300.22s 响应时间（最大） 83.60s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.9 编程 : 6.2 综合 : 3.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#155#155	MiMo-V2.5-Promedium	6.8	Xiaomi	$0.221 ↓	48.68s
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 139,892 输出令牌 15,569 推理令牌 169,897 响应时间（平均） 48.68s 响应时间（总计） 1071.02s 响应时间（最大） 333.34s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#156#156	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.82s
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 65.2% 不稳定测试 3 输入令牌 104,217 输出令牌 10,710 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 45.05s 响应时间（最大） 21.19s 答案错误: 8 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#157#157	Gemma 4 26B A4Bmedium	6.8	Google	$0.092 ↓	104.93s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 69.7% 不稳定测试 1 输入令牌 77,528 输出令牌 26,048 推理令牌 227,598 响应时间（平均） 104.93s 响应时间（总计） 2203.52s 响应时间（最大） 912.19s 无答案: 2 超时: 2 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 2.9 综合 : 6.3 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#158#158	GLM 5.2none	6.7	Z.ai	$0.153 ↓	9.65s
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 112,458 输出令牌 14,344 推理令牌 0 响应时间（平均） 9.65s 响应时间（总计） 212.38s 响应时间（最大） 79.65s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 3.7 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#159#159	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.487	26.01s
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 98,508 输出令牌 139,572 推理令牌 0 响应时间（平均） 26.01s 响应时间（总计） 572.22s 响应时间（最大） 335.41s 答案错误: 10 无效工具调用: 1 反AI技巧 : 8.7 编程 : 6.1 综合 : 4.1 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
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 60.6% 不稳定测试 1 输入令牌 100,762 输出令牌 16,454 推理令牌 0 响应时间（平均） 2.65s 响应时间（总计） 58.21s 响应时间（最大） 25.26s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.6 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 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#162#162	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.0 综合 : 3.4 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 : 9.9 谜题求解 : 7.7 工具调用 : 7.0 常识问答 : 3.0
#163#163	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 51.5% 不稳定测试 4 输入令牌 93,411 输出令牌 30,470 推理令牌 356,172 响应时间（平均） 153.29s 响应时间（总计） 3372.36s 响应时间（最大） 941.66s 答案错误: 7 未遵循指令: 2 无答案: 2 超时: 2 反AI技巧 : 8.9 编程 : 7.8 综合 : 10.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#164#164	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 72.7% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#165#165	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
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 69.7% 不稳定测试 6 输入令牌 139,165 输出令牌 12,899 推理令牌 25,511 响应时间（平均） 2.56s 响应时间（总计） 56.32s 响应时间（最大） 15.14s 答案错误: 8 未遵循指令: 1 无答案: 1 反AI技巧 : 9.0 编程 : 4.3 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 4.7
#166#166	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 102,325 输出令牌 24,323 推理令牌 0 响应时间（平均） 4.77s 响应时间（总计） 105.00s 响应时间（最大） 69.46s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.8 综合 : 6.4 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 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#167#167	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
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 63.6% 不稳定测试 0 输入令牌 110,196 输出令牌 14,717 推理令牌 397,462 响应时间（平均） 16.67s 响应时间（总计） 366.69s 响应时间（最大） 309.35s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 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 : 7.7 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#168#168	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
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 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.30s 响应时间（总计） 138.60s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#169#169	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
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 94,233 输出令牌 7,759 推理令牌 390,132 响应时间（平均） 16.25s 响应时间（总计） 357.39s 响应时间（最大） 318.02s 答案错误: 8 无效工具调用: 1 反AI技巧 : 7.3 编程 : 5.5 综合 : 3.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#170#170	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
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 57.6% 不稳定测试 2 输入令牌 85,148 输出令牌 61,736 推理令牌 681,556 响应时间（平均） 58.49s 响应时间（总计） 1169.83s 响应时间（最大） 817.57s 答案错误: 5 API 错误: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 7.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#171#171	Mercury 2.5 Previewhigh	6.6	Inception	$0.030	4.01s
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 65.2% 不稳定测试 5 输入令牌 115,759 输出令牌 2,562 推理令牌 160,943 响应时间（平均） 4.01s 响应时间（总计） 88.25s 响应时间（最大） 17.71s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#172#172	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
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 53.0% 不稳定测试 2 输入令牌 102,655 输出令牌 29,370 推理令牌 0 响应时间（平均） 9.86s 响应时间（总计） 157.77s 响应时间（最大） 123.00s 答案错误: 11 反AI技巧 : 4.8 编程 : 4.3 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 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
#173#173	Qwen3.6 27Bmedium	6.5	Qwen	$0.577 ↓	106.06s
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 60.6% 不稳定测试 7 输入令牌 106,176 输出令牌 33,013 推理令牌 239,560 响应时间（平均） 106.06s 响应时间（总计） 2333.36s 响应时间（最大） 1085.11s 答案错误: 5 无答案: 3 无效工具调用: 2 额外格式: 1 未遵循指令: 1 反AI技巧 : 8.3 编程 : 7.7 综合 : 6.7 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#174#174	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 118,998 输出令牌 30,750 推理令牌 491,730 响应时间（平均） 48.18s 响应时间（总计） 1059.93s 响应时间（最大） 422.72s 答案错误: 10 无答案: 2 无效工具调用: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.3 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 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#175#175	Hy3 previewmedium	6.5	Tencent	$0.049 ↕	16.28s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 63.6% 不稳定测试 0 输入令牌 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s API 错误: 3 答案错误: 3 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.3 综合 : 5.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0

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