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）
#153#153	Grok 4.7low	7.4	X AI	$1.933	63.19s
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 73.9% 不稳定测试 5 输入令牌 365,119 输出令牌 8,118 推理令牌 247,211 响应时间（平均） 63.19s 响应时间（总计） 1453.28s 响应时间（最大） 389.63s 答案错误: 6 无答案: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 10.0 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 : 4.1 指令遵循 : 8.4 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
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 66.7% 不稳定测试 2 输入令牌 85,669 输出令牌 6,092 推理令牌 292,801 响应时间（平均） 29.10s 响应时间（总计） 669.40s 响应时间（最大） 122.60s 答案错误: 6 未遵循指令: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 4.8 工具调用 : 3.0 常识问答 : 3.0
#164#164	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
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 7 输入令牌 388,307 输出令牌 10,412 推理令牌 118,802 响应时间（平均） 8.68s 响应时间（总计） 199.65s 响应时间（最大） 86.92s 答案错误: 6 无效工具调用: 2 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.9 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
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 6 输入令牌 249,486 输出令牌 14,481 推理令牌 288,249 响应时间（平均） 97.68s 响应时间（总计） 1562.81s 响应时间（最大） 304.85s 答案错误: 6 超时: 2 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 6.6 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
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 66.7% 不稳定测试 2 输入令牌 277,164 输出令牌 1,913 推理令牌 168,783 响应时间（平均） 40.09s 响应时间（总计） 881.89s 响应时间（最大） 214.63s 答案错误: 4 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 8.3 工具调用 : 3.0 常识问答 : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
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 72.5% 不稳定测试 6 输入令牌 301,749 输出令牌 1,033 推理令牌 620,023 响应时间（平均） 102.66s 响应时间（总计） 2361.10s 响应时间（最大） 674.08s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#182#182	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
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 60.9% 不稳定测试 0 输入令牌 272,221 输出令牌 12,345 推理令牌 47,189 响应时间（平均） 6.78s 响应时间（总计） 155.96s 响应时间（最大） 54.91s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#186#186	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
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 5 输入令牌 251,695 输出令牌 49,415 推理令牌 472,775 响应时间（平均） 66.96s 响应时间（总计） 1539.99s 响应时间（最大） 519.30s 答案错误: 5 无效工具调用: 2 超时: 2 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
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 66.7% 不稳定测试 3 输入令牌 251,164 输出令牌 36,112 推理令牌 241,203 响应时间（平均） 78.76s 响应时间（总计） 1653.96s 响应时间（最大） 437.40s 答案错误: 4 API 错误: 2 无效工具调用: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 4.3 综合 : 2.9 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
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 73.9% 不稳定测试 6 输入令牌 310,049 输出令牌 6,094 推理令牌 566,221 响应时间（平均） 123.96s 响应时间（总计） 2851.07s 响应时间（最大） 775.64s 无答案: 4 答案错误: 3 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 5.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#220#220	Beam 1.0 501B A23Bmedium	6.6	Reflection	$0.499	6.27s
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 65.2% 不稳定测试 2 输入令牌 202,937 输出令牌 4,328 推理令牌 94,193 响应时间（平均） 6.27s 响应时间（总计） 144.28s 响应时间（最大） 31.55s 答案错误: 6 API 错误: 3 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#248#248	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
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 60.9% 不稳定测试 0 输入令牌 309,715 输出令牌 16,170 推理令牌 422,721 响应时间（平均） 19.04s 响应时间（总计） 437.98s 响应时间（最大） 309.35s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 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
#265#265	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
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 68.1% 不稳定测试 4 输入令牌 246,061 输出令牌 3,828 推理令牌 149,767 响应时间（平均） 14.13s 响应时间（总计） 268.55s 响应时间（最大） 85.26s API 错误: 4 答案错误: 4 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 2.8
#253#253	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
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 60.9% 不稳定测试 3 输入令牌 108,573 输出令牌 69,994 推理令牌 26,728 响应时间（平均） 32.23s 响应时间（总计） 515.65s 响应时间（最大） 151.51s 额外格式: 4 答案错误: 4 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 6.4 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#332#332	Mimo V2 PROmedium	5.2	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 66.7% 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 智能体任务 : 0.0 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
#333#333	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 59.4% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.1 编程 : 6.0 综合 : 4.9 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#83#83	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 4 输入令牌 214,645 输出令牌 15,532 推理令牌 103,679 响应时间（平均） 29.42s 响应时间（总计） 676.56s 响应时间（最大） 111.48s 答案错误: 5 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.1 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.5 指令遵循 : 10.0 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 69.6% 不稳定测试 6 输入令牌 336,310 输出令牌 10,838 推理令牌 494,728 响应时间（平均） 37.41s 响应时间（总计） 860.39s 响应时间（最大） 196.03s 答案错误: 3 未遵循指令: 2 无效工具调用: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 7.5 编程 : 10.0 综合 : 5.9 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 : 6.4 谜题求解 : 7.8 工具调用 : 9.6 常识问答 : 3.0
#110#110	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 4 输入令牌 237,088 输出令牌 8,235 推理令牌 102,675 响应时间（平均） 15.95s 响应时间（总计） 366.93s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 工具调用 : 10.0 常识问答 : 3.0
#117#117	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 69.6% 不稳定测试 5 输入令牌 238,925 输出令牌 7,109 推理令牌 177,063 响应时间（平均） 29.94s 响应时间（总计） 688.57s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.6 编程 : 8.4 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 68.1% 不稳定测试 4 输入令牌 319,524 输出令牌 440,835 推理令牌 0 响应时间（平均） 26.57s 响应时间（总计） 611.09s 响应时间（最大） 152.83s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 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 : 9.8 谜题求解 : 5.7 工具调用 : 10.0 常识问答 : 3.0
#128#128	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 56.5% 不稳定测试 0 输入令牌 250,495 输出令牌 76,261 推理令牌 0 响应时间（平均） 17.80s 响应时间（总计） 409.51s 响应时间（最大） 206.03s 答案错误: 9 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 71.0% 不稳定测试 7 输入令牌 298,334 输出令牌 10,328 推理令牌 55,846 响应时间（平均） 7.71s 响应时间（总计） 177.29s 响应时间（最大） 47.70s 答案错误: 5 额外格式: 2 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.3 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#143#143	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 63.8% 不稳定测试 4 输入令牌 302,228 输出令牌 181,271 推理令牌 0 响应时间（平均） 29.38s 响应时间（总计） 675.79s 响应时间（最大） 234.56s 答案错误: 10 智能体任务 : 10.0 反AI技巧 : 6.4 编程 : 6.2 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.2 谜题求解 : 8.3 工具调用 : 10.0 常识问答 : 3.0
#144#144	GLM 5.1medium	7.5	Z.ai	$1.546 ↑	66.38s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.2 尝试通过率 66.7% 不稳定测试 4 输入令牌 331,577 输出令牌 17,919 推理令牌 230,789 响应时间（平均） 66.38s 响应时间（总计） 1460.31s 响应时间（最大） 308.75s 答案错误: 5 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 10.0 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 : 3.0 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

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