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：: 2026-09-02 已评估模型: 308

308/308

排名	模型	分数	公司	总成本	响应时间（平均）
#128#128	Mercury 2medium	7.0	Inception	$0.094	2.95s
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 4 输入令牌 110,515 输出令牌 10,325 推理令牌 77,229 响应时间（平均） 2.95s 响应时间（总计） 61.89s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#131#131	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
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 63.6% 不稳定测试 8 输入令牌 118,496 输出令牌 53,522 推理令牌 167,420 响应时间（平均） 98.19s 响应时间（总计） 1571.05s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 无效工具调用: 1 反AI技巧 : 7.3 编程 : 6.1 综合 : 6.7 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#134#134	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
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 63.6% 不稳定测试 7 输入令牌 114,477 输出令牌 12,786 推理令牌 457,290 响应时间（平均） 47.38s 响应时间（总计） 1042.43s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 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 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#139#139	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
查看模型卡片总测试数 22 错误测试数 12 可靠性 7.3 尝试通过率 63.6% 不稳定测试 7 输入令牌 76,036 输出令牌 7,267 推理令牌 364,176 响应时间（平均） 101.05s 响应时间（总计） 2223.19s 响应时间（最大） 626.58s API 错误: 6 答案错误: 4 额外格式: 1 未遵循指令: 1 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 常识问答 : 3.0
#149#149	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.9 尝试通过率 54.6% 不稳定测试 4 输入令牌 90,870 输出令牌 5,676 推理令牌 314,918 响应时间（平均） 113.61s 响应时间（总计） 2499.46s 响应时间（最大） 560.39s 答案错误: 7 API 错误: 2 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 : 2.9 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
#157#157	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
#162#162	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	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
#167#167	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
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 57.6% 不稳定测试 5 输入令牌 113,889 输出令牌 110,550 推理令牌 496,487 响应时间（平均） 61.81s 响应时间（总计） 1359.72s 响应时间（最大） 417.36s 答案错误: 7 未遵循指令: 2 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 7.9 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#168#168	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
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 59.1% 不稳定测试 6 输入令牌 127,621 输出令牌 141,858 推理令牌 590,204 响应时间（平均） 67.81s 响应时间（总计） 1491.80s 响应时间（最大） 480.52s 答案错误: 8 无答案: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 5.8 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 8.3 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#177#177	GPT-5.6 Lunalow	6.2	OpenAI	$0.051 ↓	5.20s
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 54.5% 不稳定测试 5 输入令牌 96,355 输出令牌 8,213 推理令牌 18,073 响应时间（平均） 5.20s 响应时间（总计） 114.46s 响应时间（最大） 19.44s 答案错误: 10 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 : 2.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 8.5 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#179#179	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.85s
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 51.5% 不稳定测试 3 输入令牌 119,076 输出令牌 11,118 推理令牌 0 响应时间（平均） 1.85s 响应时间（总计） 40.74s 响应时间（最大） 12.97s 答案错误: 8 未遵循指令: 3 无答案: 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 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#185#185	Inklinglow	6.1	Thinkingmachines	$0.187	5.11s
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 54.6% 不稳定测试 4 输入令牌 109,893 输出令牌 8,580 推理令牌 10,324 响应时间（平均） 5.11s 响应时间（总计） 112.46s 响应时间（最大） 41.58s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 8.3 编程 : 5.1 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 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#203#203	GLM 5.3 Flashlow	5.9	Z.ai	$0.015	9.65s
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 56.1% 不稳定测试 4 输入令牌 117,551 输出令牌 9,199 推理令牌 14,537 响应时间（平均） 9.65s 响应时间（总计） 212.22s 响应时间（最大） 90.45s 答案错误: 8 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 5.4 综合 : 3.8 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#205#205	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
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 54.6% 不稳定测试 3 输入令牌 129,150 输出令牌 10,643 推理令牌 0 响应时间（平均） 6.84s 响应时间（总计） 150.46s 响应时间（最大） 55.92s 答案错误: 11 无答案: 1 反AI技巧 : 4.8 编程 : 4.5 综合 : 3.8 数据解析与提取 : 7.1 领域专项 : 7.7 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#270#270	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 48.5% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 反AI技巧 : 6.9 编程 : 3.3 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 3.0 常识问答 : 0.0
#274#274	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 53.0% 不稳定测试 6 输入令牌 28,927 输出令牌 4,682 推理令牌 17,969 响应时间（平均） 10.33s 响应时间（总计） 175.58s 响应时间（最大） 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 7.3 编程 : 9.8 综合 : 2.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 0.0
#210#210	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 42.4% 不稳定测试 1 输入令牌 37,135 输出令牌 1,989 推理令牌 0 响应时间（平均） 4.03s 响应时间（总计） 56.37s 响应时间（最大） 11.07s 答案错误: 12 反AI技巧 : 4.8 编程 : 4.0 综合 : 1.5 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#142#142	DeepSeek V4 Pronone	6.8	DeepSeek	$0.226 ↑	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
#152#152	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
#155#155	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
#163#163	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
#181#181	gpt-oss-120bmedium	6.1	OpenAI	$0.020 ↓	20.81s
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 50.0% 不稳定测试 5 输入令牌 108,767 输出令牌 29,378 推理令牌 68,904 响应时间（平均） 20.81s 响应时间（总计） 332.88s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.7 编程 : 5.9 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 3.0
#183#183	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
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 50.0% 不稳定测试 4 输入令牌 118,059 输出令牌 10,723 推理令牌 0 响应时间（平均） 1.75s 响应时间（总计） 38.42s 响应时间（最大） 16.25s 答案错误: 11 未遵循指令: 1 无答案: 1 反AI技巧 : 7.5 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 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#188#188	Gemma 4 31Bnone	6.1	Google	$0.016 ↓	5.41s
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 43.9% 不稳定测试 1 输入令牌 125,703 输出令牌 13,317 推理令牌 0 响应时间（平均） 5.41s 响应时间（总计） 108.12s 响应时间（最大） 29.95s 答案错误: 10 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.8 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 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 3.0
#211#211	Inkling Smalllow	5.7	Thinkingmachines	$0.055 ↓	2.07s
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 50.0% 不稳定测试 4 输入令牌 81,447 输出令牌 2,715 推理令牌 11,971 响应时间（平均） 2.07s 响应时间（总计） 45.64s 响应时间（最大） 5.82s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 9.2 编程 : 4.6 综合 : 3.0 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 : 9.9 谜题求解 : 5.3 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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium

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