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）
#220#220	Gemma 4 26B A4Bnone	5.6	Google	$0.015 ↓	7.58s
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 131,257 输出令牌 15,781 推理令牌 0 响应时间（平均） 7.58s 响应时间（总计） 166.82s 响应时间（最大） 57.10s 答案错误: 9 未遵循指令: 2 无效工具调用: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.7 综合 : 3.0 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#228#228	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
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 40.9% 不稳定测试 0 输入令牌 122,463 输出令牌 11,445 推理令牌 0 响应时间（平均） 3.12s 响应时间（总计） 68.69s 响应时间（最大） 44.76s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 7.7 通用智能 : 4.2 指令遵循 : 6.3 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#266#266	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
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 7,608 输出令牌 40,277 推理令牌 0 响应时间（平均） 51.99s 响应时间（总计） 831.90s 响应时间（最大） 143.82s API 错误: 6 答案错误: 5 未遵循指令: 2 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#218#218	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 36.4% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.5 综合 : 1.5 数据解析与提取 : 10.0 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
#219#219	Owl Alphamedium	5.6	Openrouter	$0.000	11.95s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 37.9% 不稳定测试 1 输入令牌 43,478 输出令牌 2,974 推理令牌 0 响应时间（平均） 11.95s 响应时间（总计） 250.88s 响应时间（最大） 58.63s 答案错误: 10 未遵循指令: 2 API 错误: 1 反AI技巧 : 4.8 编程 : 5.4 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#229#229	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 37.9% 不稳定测试 1 输入令牌 40,852 输出令牌 3,314 推理令牌 0 响应时间（平均） 2.44s 响应时间（总计） 48.81s 响应时间（最大） 6.81s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 4.4 综合 : 1.5 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 : 6.5 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#297#297	Grok Build 0.1none	4.0	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 43.9% 不稳定测试 4 输入令牌 11,793 输出令牌 267,275 推理令牌 0 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 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
#169#169	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 40.9% 不稳定测试 2 输入令牌 108,752 输出令牌 9,375 推理令牌 0 响应时间（平均） 5.17s 响应时间（总计） 113.83s 响应时间（最大） 48.38s 答案错误: 13 额外格式: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.5 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 : 6.5 谜题求解 : 4.0 工具调用 : 10.0 常识问答 : 3.0
#175#175	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 40.9% 不稳定测试 3 输入令牌 142,206 输出令牌 14,744 推理令牌 0 响应时间（平均） 4.37s 响应时间（总计） 96.20s 响应时间（最大） 44.58s 答案错误: 13 无答案: 1 反AI技巧 : 3.0 编程 : 5.6 综合 : 3.0 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#186#186	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 48.5% 不稳定测试 6 输入令牌 118,486 输出令牌 156,166 推理令牌 860,619 响应时间（平均） 85.44s 响应时间（总计） 1879.75s 响应时间（最大） 525.14s 答案错误: 8 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#189#189	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 43.9% 不稳定测试 4 输入令牌 94,477 输出令牌 51,487 推理令牌 0 响应时间（平均） 13.10s 响应时间（总计） 288.23s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.9 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#190#190	Nemotron 3 Ultranone	6.1	NVIDIA	$0.093 ↕	3.88s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 42.4% 不稳定测试 2 输入令牌 101,168 输出令牌 9,470 推理令牌 0 响应时间（平均） 3.88s 响应时间（总计） 85.33s 响应时间（最大） 37.50s 答案错误: 11 API 错误: 2 未遵循指令: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 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 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#191#191	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 47.0% 不稳定测试 5 输入令牌 122,854 输出令牌 119,810 推理令牌 698,549 响应时间（平均） 96.61s 响应时间（总计） 2125.51s 响应时间（最大） 540.96s 答案错误: 7 API 错误: 2 未遵循指令: 2 无效工具调用: 2 无答案: 1 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#192#192	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 39.4% 不稳定测试 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.19s 响应时间（总计） 136.23s 响应时间（最大） 118.00s 答案错误: 13 无效工具调用: 1 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#194#194	GPT-5.6 Terranone	6.0	OpenAI	$0.280 ↓	1.66s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 42.4% 不稳定测试 3 输入令牌 102,268 输出令牌 6,221 推理令牌 0 响应时间（平均） 1.66s 响应时间（总计） 36.54s 响应时间（最大） 10.07s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 4.8 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 : 5.0 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 9.6 常识问答 : 3.0
#196#196	GPT-5 Nanomedium	6.0	OpenAI	$0.118	54.20s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 54.5% 不稳定测试 9 输入令牌 94,944 输出令牌 12,037 推理令牌 270,400 响应时间（平均） 54.20s 响应时间（总计） 867.23s 响应时间（最大） 227.89s 答案错误: 10 未遵循指令: 2 无答案: 1 超时: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 6.4 数据解析与提取 : 3.7 领域专项 : 3.4 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#200#200	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 57.6% 不稳定测试 8 输入令牌 94,639 输出令牌 108,013 推理令牌 571,526 响应时间（平均） 67.13s 响应时间（总计） 1476.95s 响应时间（最大） 459.19s 答案错误: 9 未遵循指令: 2 无答案: 2 额外格式: 1 反AI技巧 : 8.7 编程 : 4.2 综合 : 9.9 数据解析与提取 : 4.5 领域专项 : 3.6 通用智能 : 3.8 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#208#208	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
查看模型卡片总测试数 22 错误测试数 14 可靠性 8.5 尝试通过率 43.9% 不稳定测试 4 输入令牌 81,742 输出令牌 423,884 推理令牌 1,340,907 响应时间（平均） 141.99s 响应时间（总计） 3123.87s 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 超时: 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 : 2.9 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
#209#209	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
查看模型卡片总测试数 22 错误测试数 14 可靠性 9.1 尝试通过率 40.9% 不稳定测试 3 输入令牌 81,438 输出令牌 17,674 推理令牌 97,900 响应时间（平均） 52.31s 响应时间（总计） 1046.21s 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
#213#213	GLM 5.1none	5.7	Z.ai	$0.164 ↓	6.74s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 45.5% 不稳定测试 5 输入令牌 124,219 输出令牌 14,393 推理令牌 0 响应时间（平均） 6.74s 响应时间（总计） 148.20s 响应时间（最大） 61.20s 答案错误: 12 无效工具调用: 1 无答案: 1 反AI技巧 : 4.0 编程 : 3.9 综合 : 2.8 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#223#223	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.65s
查看模型卡片总测试数 22 错误测试数 14 可靠性 9.6 尝试通过率 45.5% 不稳定测试 3 输入令牌 51,369 输出令牌 8,008 推理令牌 58,568 响应时间（平均） 8.65s 响应时间（总计） 190.35s 响应时间（最大） 48.19s 答案错误: 10 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 8.7 编程 : 3.6 综合 : 6.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#221#221	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 39.4% 不稳定测试 3 输入令牌 39,344 输出令牌 2,352 推理令牌 0 响应时间（平均） 2.27s 响应时间（总计） 45.50s 响应时间（最大） 6.58s 答案错误: 11 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.5 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#222#222	Owl Alphanone	5.6	Openrouter	$0.000	9.88s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 34.9% 不稳定测试 1 输入令牌 42,283 输出令牌 5,913 推理令牌 0 响应时间（平均） 9.88s 响应时间（总计） 207.38s 响应时间（最大） 47.10s 答案错误: 10 未遵循指令: 3 额外格式: 1 反AI技巧 : 3.4 编程 : 5.6 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#277#277	Cobuddymedium	4.7	Baidu	$0.000	39.90s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 45.5% 不稳定测试 6 输入令牌 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 39.90s 响应时间（总计） 797.98s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 3.7 综合 : 1.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#283#283	Grok 4.20 Betanone	4.4	X AI	$0.087 ↓	1.19s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 30.3% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 1.8 综合 : 1.5 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 : 7.7 工具调用 : 10.0 常识问答 : 0.0

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