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）
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 62.3% 不稳定测试 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 23.94s 响应时间（总计） 550.52s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#393#393	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 50.7% 不稳定测试 6 输入令牌 42,845 输出令牌 2,006 推理令牌 96,334 响应时间（平均） 23.85s 响应时间（总计） 286.16s 响应时间（最大） 121.79s 未遵循指令: 4 答案错误: 4 无答案: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 0.8 综合 : 5.0 数据解析与提取 : 10.0 领域专项 : 5.8 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#112#112	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
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 79.7% 不稳定测试 6 输入令牌 342,163 输出令牌 1,518 推理令牌 133,777 响应时间（平均） 23.66s 响应时间（总计） 544.16s 响应时间（最大） 166.72s 答案错误: 6 未遵循指令: 1 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 : 6.9 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 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#3🥉 #3	GPT-6 Solhigh	9.9	OpenAI	$0.921	23.56s
查看模型卡片总测试数 23 错误测试数 1 可靠性 10.0 尝试通过率 95.7% 不稳定测试 0 输入令牌 182,698 输出令牌 5,647 推理令牌 49,872 响应时间（平均） 23.56s 响应时间（总计） 541.85s 响应时间（最大） 136.22s 答案错误: 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 : 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 : 10.0
#141#141	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.7 尝试通过率 63.8% 不稳定测试 4 输入令牌 195,928 输出令牌 5,728 推理令牌 19,152 响应时间（平均） 23.23s 响应时间（总计） 534.22s 响应时间（最大） 89.37s 答案错误: 7 API 错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 6.9 编程 : 6.0 综合 : 7.3 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 : 7.1 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#312#312	GLM 5V Turbomedium	5.5	Z.ai	$0.457	23.08s
查看模型卡片总测试数 21 错误测试数 10 可靠性 10.0 尝试通过率 62.3% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 7.2 编程 : 6.0 综合 : 3.4 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 : 9.9 谜题求解 : 7.7 工具调用 : 7.0 常识问答 : 3.0
#261#261	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 68.1% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 0.0 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 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#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
#85#85	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
查看模型卡片总测试数 23 错误测试数 3 可靠性 9.8 尝试通过率 89.9% 不稳定测试 1 输入令牌 176,208 输出令牌 6,093 推理令牌 96,598 响应时间（平均） 22.71s 响应时间（总计） 386.11s 响应时间（最大） 88.68s 答案错误: 2 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.9 综合 : 9.8 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 : 10.0
#320#320	Ember-1none	5.4	Fireworks	$0.786	22.65s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.8 尝试通过率 43.5% 不稳定测试 4 输入令牌 202,617 输出令牌 11,832 推理令牌 0 响应时间（平均） 22.65s 响应时间（总计） 520.91s 响应时间（最大） 93.12s 答案错误: 10 API 错误: 5 智能体任务 : 6.1 反AI技巧 : 5.2 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.4 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#364#364	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
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 34.8% 不稳定测试 5 输入令牌 342,158 输出令牌 32,853 推理令牌 25,013 响应时间（平均） 22.44s 响应时间（总计） 516.03s 响应时间（最大） 122.50s 答案错误: 9 API 错误: 3 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 3.2 编程 : 3.1 综合 : 4.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#189#189	Muse Glimmer 30Blow	6.9	Meta	$0.219 ↓	22.40s
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 63.8% 不稳定测试 6 输入令牌 307,228 输出令牌 36,044 推理令牌 71,621 响应时间（平均） 22.40s 响应时间（总计） 515.14s 响应时间（最大） 234.92s 答案错误: 6 未遵循指令: 3 无效工具调用: 2 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 8.1 综合 : 3.8 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 : 8.4 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
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.9 尝试通过率 76.8% 不稳定测试 3 输入令牌 278,684 输出令牌 10,151 推理令牌 48,907 响应时间（平均） 21.62s 响应时间（总计） 497.25s 响应时间（最大） 119.16s 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 : 9.2 编程 : 10.0 综合 : 8.4 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 : 8.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#32#32	Muse Wondermedium	9.2	Meta	$3.397	21.58s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.1 尝试通过率 76.8% 不稳定测试 1 输入令牌 241,489 输出令牌 11,575 推理令牌 109,971 响应时间（平均） 21.58s 响应时间（总计） 496.40s 响应时间（最大） 162.73s API 错误: 4 答案错误: 2 智能体任务 : 10.0 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 : 6.6 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 4.7
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
查看模型卡片总测试数 23 错误测试数 2 可靠性 10.0 尝试通过率 94.2% 不稳定测试 1 输入令牌 235,726 输出令牌 6,669 推理令牌 245,867 响应时间（平均） 21.57s 响应时间（总计） 496.12s 响应时间（最大） 117.26s 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.6 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 : 10.0
#55#55	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
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 4 输入令牌 292,604 输出令牌 9,569 推理令牌 278,408 响应时间（平均） 21.28s 响应时间（总计） 489.46s 响应时间（最大） 142.49s 未遵循指令: 3 答案错误: 3 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 10.0 综合 : 8.5 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#229#229	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
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 60.9% 不稳定测试 6 输入令牌 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 21.21s 响应时间（总计） 487.83s 响应时间（最大） 199.97s 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 : 7.0 编程 : 6.4 综合 : 7.3 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#173#173	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
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 63.8% 不稳定测试 6 输入令牌 292,685 输出令牌 339,108 推理令牌 0 响应时间（平均） 20.72s 响应时间（总计） 476.67s 响应时间（最大） 124.75s 答案错误: 9 无效工具调用: 2 无答案: 1 智能体任务 : 7.4 反AI技巧 : 8.7 编程 : 8.2 综合 : 7.3 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 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
#310#310	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.9 尝试通过率 40.6% 不稳定测试 5 输入令牌 222,357 输出令牌 6,855 推理令牌 0 响应时间（平均） 20.48s 响应时间（总计） 470.96s 响应时间（最大） 98.62s 答案错误: 13 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 6.2 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
查看模型卡片总测试数 23 错误测试数 17 可靠性 9.7 尝试通过率 31.9% 不稳定测试 2 输入令牌 257,872 输出令牌 54,388 推理令牌 0 响应时间（平均） 20.43s 响应时间（总计） 469.88s 响应时间（最大） 192.80s 答案错误: 15 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 3.6 编程 : 4.7 综合 : 3.0 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 : 6.5 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#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
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
查看模型卡片总测试数 23 错误测试数 1 可靠性 9.9 尝试通过率 97.1% 不稳定测试 1 输入令牌 167,805 输出令牌 5,651 推理令牌 49,944 响应时间（平均） 20.16s 响应时间（总计） 463.68s 响应时间（最大） 254.93s 答案错误: 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 : 7.6 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 : 10.0
#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

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