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）
#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
#75#75	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 85.5% 不稳定测试 3 输入令牌 298,682 输出令牌 8,374 推理令牌 80,549 响应时间（平均） 29.07s 响应时间（总计） 668.66s 响应时间（最大） 207.79s 答案错误: 4 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 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 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 42.0% 不稳定测试 4 输入令牌 11,793 输出令牌 1,809 推理令牌 265,466 响应时间（平均） 28.69s 响应时间（总计） 459.00s 响应时间（最大） 138.35s 答案错误: 7 API 错误: 3 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 1.5 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
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 34.8% 不稳定测试 3 输入令牌 131,652 输出令牌 16,869 推理令牌 53,081 响应时间（平均） 28.63s 响应时间（总计） 486.69s 响应时间（最大） 140.90s 答案错误: 9 API 错误: 3 未遵循指令: 2 智能体任务 : 6.1 反AI技巧 : 6.5 编程 : 1.5 综合 : 1.5 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
#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
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
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 79.7% 不稳定测试 6 输入令牌 218,199 输出令牌 175,696 推理令牌 0 响应时间（平均） 28.26s 响应时间（总计） 649.90s 响应时间（最大） 151.76s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.5 编程 : 10.0 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 2.8
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.9 尝试通过率 75.4% 不稳定测试 5 输入令牌 277,967 输出令牌 9,240 推理令牌 383,606 响应时间（平均） 28.15s 响应时间（总计） 647.40s 响应时间（最大） 192.00s 答案错误: 4 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.1 编程 : 10.0 综合 : 8.0 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 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
#107#107	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 73.9% 不稳定测试 4 输入令牌 266,849 输出令牌 8,284 推理令牌 363,263 响应时间（平均） 28.04s 响应时间（总计） 645.03s 响应时间（最大） 149.84s 答案错误: 7 API 错误: 1 智能体任务 : 6.1 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 87.0% 不稳定测试 2 输入令牌 319,095 输出令牌 10,371 推理令牌 32,411 响应时间（平均） 27.55s 响应时间（总计） 633.73s 响应时间（最大） 95.95s 答案错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 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 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 30.4% 不稳定测试 4 输入令牌 349,876 输出令牌 39,789 推理令牌 0 响应时间（平均） 27.42s 响应时间（总计） 630.70s 响应时间（最大） 387.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 2 额外格式: 1 智能体任务 : 10.0 反AI技巧 : 3.4 编程 : 4.3 综合 : 3.7 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.4 指令遵循 : 5.0 谜题求解 : 3.2 工具调用 : 9.5 常识问答 : 3.0
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 1 输入令牌 276,512 输出令牌 8,152 推理令牌 96,444 响应时间（平均） 27.34s 响应时间（总计） 628.75s 响应时间（最大） 126.60s 答案错误: 4 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 : 8.7 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
#56#56	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 73.9% 不稳定测试 2 输入令牌 305,707 输出令牌 10,240 推理令牌 291,479 响应时间（平均） 27.02s 响应时间（总计） 621.38s 响应时间（最大） 165.38s 答案错误: 4 未遵循指令: 2 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 : 8.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.9 工具调用 : 9.8 常识问答 : 3.0
#100#100	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.6 尝试通过率 81.2% 不稳定测试 4 输入令牌 227,164 输出令牌 20,029 推理令牌 60,991 响应时间（平均） 26.88s 响应时间（总计） 591.34s 响应时间（最大） 102.40s 答案错误: 3 无答案: 2 超时: 1 智能体任务 : 10.0 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
#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
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 37.7% 不稳定测试 2 输入令牌 463,872 输出令牌 219,122 推理令牌 0 响应时间（平均） 26.52s 响应时间（总计） 609.94s 响应时间（最大） 480.96s 答案错误: 14 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 3.5 编程 : 5.5 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 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 30.4% 不稳定测试 3 输入令牌 241,357 输出令牌 64,021 推理令牌 1 响应时间（平均） 26.34s 响应时间（总计） 605.78s 响应时间（最大） 238.89s 答案错误: 13 未遵循指令: 3 无答案: 1 智能体任务 : 4.7 反AI技巧 : 4.6 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
查看模型卡片总测试数 23 错误测试数 3 可靠性 10.0 尝试通过率 89.9% 不稳定测试 1 输入令牌 290,117 输出令牌 9,805 推理令牌 22,322 响应时间（平均） 25.85s 响应时间（总计） 594.63s 响应时间（最大） 90.20s 答案错误: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 88.4% 不稳定测试 2 输入令牌 308,056 输出令牌 9,434 推理令牌 15,572 响应时间（平均） 25.68s 响应时间（总计） 590.71s 响应时间（最大） 89.16s 答案错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 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 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 82.6% 不稳定测试 0 输入令牌 376,421 输出令牌 67,688 推理令牌 37,974 响应时间（平均） 25.31s 响应时间（总计） 582.11s 响应时间（最大） 159.01s 答案错误: 2 额外格式: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 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
#59#59	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 81.2% 不稳定测试 3 输入令牌 262,495 输出令牌 7,787 推理令牌 86,149 响应时间（平均） 25.09s 响应时间（总计） 577.14s 响应时间（最大） 155.75s 答案错误: 5 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 68.1% 不稳定测试 8 输入令牌 98,508 输出令牌 8,088 推理令牌 131,484 响应时间（平均） 24.96s 响应时间（总计） 574.12s 响应时间（最大） 335.41s 答案错误: 10 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 : 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
#60#60	GPT-5.4medium	8.8	OpenAI	$2.213 ↑	24.81s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 78.3% 不稳定测试 4 输入令牌 223,210 输出令牌 7,312 推理令牌 89,190 响应时间（平均） 24.81s 响应时间（总计） 570.60s 响应时间（最大） 100.41s 答案错误: 5 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 8.8 综合 : 10.0 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 : 8.2 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
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 47.8% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 7 答案错误: 4 智能体任务 : 0.0 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 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