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：: 2026-07-24 已评估模型: 222

222/222

排名	模型	分数	公司	总成本	响应时间（平均）
#167#167	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.041	10.09s
查看模型卡片总测试数 22 错误测试数 15 可靠性 9.9 尝试通过率 45.5% 不稳定测试 7 输入令牌 61,085 输出令牌 5,905 推理令牌 46,990 响应时间（平均） 10.09s 响应时间（总计） 222.03s 响应时间（最大） 86.23s 答案错误: 7 额外格式: 4 API 错误: 2 未遵循指令: 2 反AI技巧 : 7.3 编程 : 3.5 综合 : 6.4 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#169#169	Laguna S 2.1high	5.4	Poolside	$0.127	111.61s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.9 尝试通过率 27.3% 不稳定测试 5 输入令牌 208,931 输出令牌 175,588 推理令牌 409,276 响应时间（平均） 111.61s 响应时间（总计） 2455.39s 响应时间（最大） 1190.11s 答案错误: 11 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#174#174	Inklingnone	5.2	Thinkingmachines	$0.147	3.50s
查看模型卡片总测试数 22 错误测试数 16 可靠性 9.9 尝试通过率 28.8% 不稳定测试 1 输入令牌 104,111 输出令牌 10,551 推理令牌 0 响应时间（平均） 3.50s 响应时间（总计） 77.09s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 2.9 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 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#183#183	Laguna S 2.1low	5.0	Poolside	$0.091	85.35s
查看模型卡片总测试数 22 错误测试数 19 可靠性 9.9 尝试通过率 25.8% 不稳定测试 6 输入令牌 118,746 输出令牌 67,823 推理令牌 383,885 响应时间（平均） 85.35s 响应时间（总计） 1877.64s 响应时间（最大） 814.73s 答案错误: 15 API 错误: 1 额外格式: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 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 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#32#32	Inklinghigh	8.0	Thinkingmachines	$1.006	64.16s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.8 尝试通过率 77.3% 不稳定测试 3 输入令牌 86,746 输出令牌 6,055 推理令牌 220,791 响应时间（平均） 64.16s 响应时间（总计） 1411.59s 响应时间（最大） 327.51s 答案错误: 4 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.5 综合 : 7.3 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 : 9.8 谜题求解 : 6.9 工具调用 : 3.0 常识问答 : 3.0
#36#36	Inklingmedium	8.0	Thinkingmachines	$0.391	16.21s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.8 尝试通过率 78.8% 不稳定测试 5 输入令牌 124,053 输出令牌 12,189 推理令牌 53,597 响应时间（平均） 16.21s 响应时间（总计） 356.54s 响应时间（最大） 85.12s 答案错误: 4 API 错误: 1 无效工具调用: 1 无答案: 1 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
#55#55	Nemotron 3 Ultramedium	7.5	NVIDIA	$0.504 ↕	32.21s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.8 尝试通过率 68.2% 不稳定测试 4 输入令牌 233,488 输出令牌 57,916 推理令牌 128,062 响应时间（平均） 32.21s 响应时间（总计） 708.65s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 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 : 3.5 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
#64#64	LongCat 2.0medium	7.4	Meituan	$0.478	136.64s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.8 尝试通过率 60.6% 不稳定测试 3 输入令牌 97,315 输出令牌 44,384 推理令牌 329,012 响应时间（平均） 136.64s 响应时间（总计） 3006.01s 响应时间（最大） 939.52s 答案错误: 7 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#166#166	Laguna S 2.1medium	5.4	Poolside	$0.059	58.43s
查看模型卡片总测试数 22 错误测试数 18 可靠性 9.8 尝试通过率 25.8% 不稳定测试 4 输入令牌 86,641 输出令牌 97,298 推理令牌 242,297 响应时间（平均） 58.43s 响应时间（总计） 1285.48s 响应时间（最大） 560.31s 答案错误: 13 无效工具调用: 2 无答案: 2 未遵循指令: 1 反AI技巧 : 3.4 编程 : 5.3 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.6 指令遵循 : 4.2 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#204#204	Laguna M.1none	4.4	Poolside	$0.009 ↕	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 27.3% 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 : 2.5 综合 : 1.5 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
#51#51	MiniMax M3medium	7.6	Minimax	$0.286	74.98s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.7 尝试通过率 66.7% 不稳定测试 5 输入令牌 121,990 输出令牌 77,916 推理令牌 173,553 响应时间（平均） 74.98s 响应时间（总计） 1574.56s 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
#74#74	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.317 ↓	46.36s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.6 尝试通过率 63.6% 不稳定测试 2 输入令牌 42,097 输出令牌 2,280 推理令牌 166,613 响应时间（平均） 46.36s 响应时间（总计） 973.57s 响应时间（最大） 189.38s 答案错误: 8 超时: 1 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
#96#96	LongCat 2.0low	6.7	Meituan	$0.391	100.31s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.6 尝试通过率 53.0% 不稳定测试 3 输入令牌 90,909 输出令牌 5,679 推理令牌 297,369 响应时间（平均） 100.31s 响应时间（总计） 2206.82s 响应时间（最大） 560.39s 答案错误: 8 API 错误: 1 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#116#116	Mimo V2 PROmedium	6.3	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 69.7% 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 : 2.3 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
#42#42	GLM 5.2medium	7.8	Z.ai	$0.183 ↓	23.28s
查看模型卡片总测试数 21 错误测试数 6 可靠性 9.5 尝试通过率 80.3% 不稳定测试 4 输入令牌 37,199 输出令牌 12,261 推理令牌 49,500 响应时间（平均） 23.28s 响应时间（总计） 488.94s 响应时间（最大） 101.36s 答案错误: 3 无答案: 2 超时: 1 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#72#72	Kimi K2.6medium	7.2	Moonshot AI	$1.036 ↓	109.98s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.4 尝试通过率 63.6% 不稳定测试 4 输入令牌 68,902 输出令牌 111,680 推理令牌 279,860 响应时间（平均） 109.98s 响应时间（总计） 2309.56s 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
#100#100	Gemma 4 26B A4Bmedium	6.6	Google	$0.096 ↑	103.83s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.4 尝试通过率 66.7% 不稳定测试 2 输入令牌 77,550 输出令牌 28,036 推理令牌 219,491 响应时间（平均） 103.83s 响应时间（总计） 2180.47s 响应时间（最大） 912.19s 答案错误: 3 无答案: 2 超时: 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 : 2.9 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
#102#102	LongCat 2.0high	6.6	Meituan	$0.469	148.73s
查看模型卡片总测试数 22 错误测试数 13 可靠性 9.4 尝试通过率 53.0% 不稳定测试 5 输入令牌 93,357 输出令牌 30,466 推理令牌 336,325 响应时间（平均） 148.73s 响应时间（总计） 3272.00s 响应时间（最大） 941.66s 答案错误: 6 超时: 3 未遵循指令: 2 无答案: 2 反AI技巧 : 8.9 编程 : 7.6 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
#114#114	Ling 3.0 Flashhigh	6.4	Inclusionai	$0.000	13.32s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.4 尝试通过率 63.6% 不稳定测试 4 输入令牌 132,224 输出令牌 92,393 推理令牌 211,994 响应时间（平均） 13.32s 响应时间（总计） 292.99s 响应时间（最大） 75.27s 答案错误: 8 无效工具调用: 2 反AI技巧 : 10.0 编程 : 6.7 综合 : 2.9 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
#137#137	Step 3.5 Flashmedium	6.0	Stepfun	$0.108 ↑	174.22s
查看模型卡片总测试数 21 错误测试数 10 可靠性 9.2 尝试通过率 51.5% 不稳定测试 1 输入令牌 65,707 输出令牌 108,561 推理令牌 293,993 响应时间（平均） 174.22s 响应时间（总计） 2613.32s 响应时间（最大） 1597.85s 答案错误: 4 未遵循指令: 3 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 2.4 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 8.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#37#37	Kimi K3max	8.0	Moonshot AI	$3.112	122.48s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.1 尝试通过率 75.8% 不稳定测试 1 输入令牌 34,916 输出令牌 2,910 推理令牌 197,529 响应时间（平均） 122.48s 响应时间（总计） 2327.06s 响应时间（最大） 766.58s API 错误: 2 超时: 2 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 数据解析与提取 : 7.3 领域专项 : 5.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#147#147	Nemotron 3 Supermedium	5.7	NVIDIA	$0.055 ↑	51.99s
查看模型卡片总测试数 22 错误测试数 14 可靠性 8.7 尝试通过率 40.9% 不稳定测试 3 输入令牌 81,429 输出令牌 18,371 推理令牌 98,853 响应时间（平均） 51.99s 响应时间（总计） 1039.89s 响应时间（最大） 431.98s 答案错误: 5 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#181#181	North Mini Codenone	5.1	Cohere	$0.000	29.95s
查看模型卡片总测试数 22 错误测试数 18 可靠性 8.7 尝试通过率 18.2% 不稳定测试 0 输入令牌 130,492 输出令牌 26,786 推理令牌 0 响应时间（平均） 29.95s 响应时间（总计） 658.82s 响应时间（最大） 159.85s 答案错误: 12 额外格式: 2 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#144#144	North Mini Codemedium	5.9	Cohere	$0.000	137.11s
查看模型卡片总测试数 22 错误测试数 13 可靠性 8.6 尝试通过率 48.5% 不稳定测试 4 输入令牌 81,813 输出令牌 424,772 推理令牌 1,342,029 响应时间（平均） 137.11s 响应时间（总计） 3016.42s 响应时间（最大） 786.72s 答案错误: 9 额外格式: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 8.4 编程 : 4.5 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 3.3 工具调用 : 10.0 常识问答 : 3.0
#84#84	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.101	92.53s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.5 尝试通过率 57.6% 不稳定测试 3 输入令牌 125,467 输出令牌 10,778 推理令牌 209,856 响应时间（平均） 92.53s 响应时间（总计） 1665.50s 响应时间（最大） 301.78s 超时: 5 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 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
#188#188	Nemotron 3 Supernone	4.9	NVIDIA	$0.008 ↑	5.97s
查看模型卡片总测试数 22 错误测试数 17 可靠性 8.5 尝试通过率 30.3% 不稳定测试 3 输入令牌 63,519 输出令牌 6,434 推理令牌 0 响应时间（平均） 5.97s 响应时间（总计） 131.31s 响应时间（最大） 20.00s 答案错误: 15 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
#78#78	GLM 5.1medium	7.1	Z.ai	$0.535 ↓	46.77s
查看模型卡片总测试数 22 错误测试数 9 可靠性 8.3 尝试通过率 69.7% 不稳定测试 4 输入令牌 82,623 输出令牌 16,089 推理令牌 136,463 响应时间（平均） 46.77s 响应时间（总计） 982.16s 响应时间（最大） 308.75s 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 : 9.8 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
#206#206	GLM 4.7 Flashmedium	4.3	Z.ai	$0.166	142.59s
查看模型卡片总测试数 22 错误测试数 18 可靠性 7.8 尝试通过率 31.8% 不稳定测试 8 输入令牌 79,051 输出令牌 43,754 推理令牌 374,109 响应时间（平均） 142.59s 响应时间（总计） 1996.21s 响应时间（最大） 1539.97s 答案错误: 9 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 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
#212#212	MiMo-V2-Flashnone	4.0	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 24.2% 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 : 1.5 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
#216#216	Qwen3.5-9Bmedium	3.8	Qwen	$0.036 ↑	82.24s
查看模型卡片总测试数 22 错误测试数 19 可靠性 5.0 尝试通过率 25.8% 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: 12 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 6 7 8

→

快速对比

Gemini 3.6 FlashmediumvsGemini 3.6 Flashhigh Gemini 3.6 FlashhighvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3.6 Flashlow Gemini 3.6 FlashlowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium Gemini 3.5 FlashmediumvsGPT-5.5medium

AI Benchy 排行榜

筛选模型

快速对比