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：: 2026-10-17 已评估模型: 442

442/442

排名	模型	分数	公司	总成本	响应时间（平均）
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.3 尝试通过率 66.7% 不稳定测试 1 输入令牌 94,153 输出令牌 9,606 推理令牌 142,834 响应时间（平均） 22.96s 响应时间（总计） 528.08s 响应时间（最大） 143.21s API 错误: 6 答案错误: 2 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 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 : 6.5 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 2.8
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 73.9% 不稳定测试 4 输入令牌 229,986 输出令牌 6,037 推理令牌 95,550 响应时间（平均） 20.37s 响应时间（总计） 468.52s 响应时间（最大） 106.93s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.2 反AI技巧 : 10.0 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 5.1 指令遵循 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 75.4% 不稳定测试 6 输入令牌 278,792 输出令牌 1,695 推理令牌 142,270 响应时间（平均） 24.79s 响应时间（总计） 570.26s 响应时间（最大） 159.62s 答案错误: 6 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.4 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 68.1% 不稳定测试 1 输入令牌 315,290 输出令牌 1,607 推理令牌 207,536 响应时间（平均） 46.60s 响应时间（总计） 1071.83s 响应时间（最大） 376.04s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 7.7 综合 : 10.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#156#156	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 75.4% 不稳定测试 5 输入令牌 257,138 输出令牌 13,830 推理令牌 55,775 响应时间（平均） 16.98s 响应时间（总计） 390.45s 响应时间（最大） 85.12s 答案错误: 5 无效工具调用: 2 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.7 编程 : 8.4 综合 : 7.3 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 78.3% 不稳定测试 6 输入令牌 157,142 输出令牌 8,149 推理令牌 24,357 响应时间（平均） 11.87s 响应时间（总计） 272.91s 响应时间（最大） 36.59s 答案错误: 3 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.0 综合 : 10.0 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 : 7.3 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 2.8
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.8 尝试通过率 78.3% 不稳定测试 5 输入令牌 326,066 输出令牌 5,726 推理令牌 469,019 响应时间（平均） 117.65s 响应时间（总计） 2706.03s 响应时间（最大） 660.89s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 68.1% 不稳定测试 1 输入令牌 132,507 输出令牌 12,739 推理令牌 228,626 响应时间（平均） 20.51s 响应时间（总计） 471.64s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 8.4 编程 : 7.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#163#163	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 69.6% 不稳定测试 3 输入令牌 222,601 输出令牌 8,185 推理令牌 238,605 响应时间（平均） 57.41s 响应时间（总计） 1263.02s 响应时间（最大） 307.08s 答案错误: 6 API 错误: 1 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 6.1 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#187#187	Grok 4.6low	6.9	X AI	$0.781	16.44s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 1 输入令牌 263,427 输出令牌 6,006 推理令牌 36,309 响应时间（平均） 16.44s 响应时间（总计） 378.14s 响应时间（最大） 57.97s 答案错误: 8 智能体任务 : 5.0 反AI技巧 : 10.0 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#199#199	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 1 输入令牌 397,291 输出令牌 6,355 推理令牌 143,752 响应时间（平均） 6.66s 响应时间（总计） 153.29s 响应时间（最大） 74.63s 答案错误: 4 API 错误: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 7.8 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#236#236	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
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 62.3% 不稳定测试 1 输入令牌 106,316 输出令牌 79,338 推理令牌 41,089 响应时间（平均） 28.08s 响应时间（总计） 421.15s 响应时间（最大） 140.96s 答案错误: 4 额外格式: 3 超时: 1 智能体任务 : 0.0 反AI技巧 : 6.5 编程 : 5.7 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 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
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.5 尝试通过率 78.3% 不稳定测试 7 输入令牌 298,476 输出令牌 7,762 推理令牌 515,918 响应时间（平均） 148.11s 响应时间（总计） 3406.53s 响应时间（最大） 904.91s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 8.2 综合 : 10.0 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 : 8.4 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 2.8
#71#71	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 72.5% 不稳定测试 4 输入令牌 291,368 输出令牌 13,469 推理令牌 108,952 响应时间（平均） 13.21s 响应时间（总计） 303.92s 响应时间（最大） 54.15s 答案错误: 5 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.9 编程 : 10.0 综合 : 6.6 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 7.3 谜题求解 : 8.3 工具调用 : 9.8 常识问答 : 3.0
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 71.0% 不稳定测试 4 输入令牌 287,538 输出令牌 118,266 推理令牌 346,758 响应时间（平均） 97.70s 响应时间（总计） 2247.18s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.0 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 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 71.0% 不稳定测试 4 输入令牌 229,530 输出令牌 13,757 推理令牌 92,662 响应时间（平均） 48.87s 响应时间（总计） 1123.91s 响应时间（最大） 254.92s 答案错误: 6 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 8.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#103#103	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
查看模型卡片总测试数 23 错误测试数 9 可靠性 8.9 尝试通过率 78.3% 不稳定测试 6 输入令牌 237,604 输出令牌 9,617 推理令牌 244,190 响应时间（平均） 73.02s 响应时间（总计） 1679.49s 响应时间（最大） 485.92s 答案错误: 7 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#106#106	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 71.0% 不稳定测试 4 输入令牌 298,794 输出令牌 45,873 推理令牌 188,721 响应时间（平均） 55.99s 响应时间（总计） 1287.87s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 68.1% 不稳定测试 3 输入令牌 482,754 输出令牌 62,455 推理令牌 141,067 响应时间（平均） 40.33s 响应时间（总计） 927.65s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.6 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
#113#113	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 75.4% 不稳定测试 6 输入令牌 176,890 输出令牌 5,688 推理令牌 18,525 响应时间（平均） 7.58s 响应时间（总计） 174.39s 响应时间（最大） 54.57s 答案错误: 8 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 76.8% 不稳定测试 6 输入令牌 288,919 输出令牌 17,484 推理令牌 617,804 响应时间（平均） 114.73s 响应时间（总计） 2638.74s 响应时间（最大） 1026.43s 答案错误: 4 未遵循指令: 2 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 75.4% 不稳定测试 7 输入令牌 219,811 输出令牌 8,811 推理令牌 59,671 响应时间（平均） 28.38s 响应时间（总计） 652.78s 响应时间（最大） 159.91s 答案错误: 6 额外格式: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.6 综合 : 6.4 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 72.5% 不稳定测试 5 输入令牌 269,143 输出令牌 6,833 推理令牌 785,200 响应时间（平均） 84.94s 响应时间（总计） 1953.70s 响应时间（最大） 527.47s 答案错误: 4 无答案: 3 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#136#136	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 65.2% 不稳定测试 2 输入令牌 176,539 输出令牌 4,419 推理令牌 195,929 响应时间（平均） 54.06s 响应时间（总计） 1189.36s 响应时间（最大） 203.01s 答案错误: 8 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#139#139	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.1 尝试通过率 65.2% 不稳定测试 2 输入令牌 93,060 输出令牌 10,305 推理令牌 171,683 响应时间（平均） 34.40s 响应时间（总计） 791.16s 响应时间（最大） 236.64s API 错误: 6 答案错误: 3 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 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 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow

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