AI BENCHY

AI 基准排行榜

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：: 2026-06-04 已评估模型: 163

163/163

排名	模型	分数	公司	总成本	响应时间（平均）
#84#84	Grok 4.20 Multi Agent Betamedium	6.6	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 59.3% 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 : 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 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 3.0
#9#9	GPT-5.5medium	8.8	OpenAI	$3.679	37.98s
查看模型卡片总测试数 21 错误测试数 4 可靠性 10.0 尝试通过率 87.3% 不稳定测试 3 输入令牌 34,212 输出令牌 1,985 推理令牌 114,925 响应时间（平均） 37.98s 响应时间（总计） 797.60s 响应时间（最大） 332.10s 答案错误: 4 反AI技巧 : 10.0 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 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 2.8
#12#12	Gemini 3.1 Flash Lite Previewhigh	8.6	Google	$2.310	68.14s
查看模型卡片总测试数 16 错误测试数 3 可靠性不适用尝试通过率 81.3% 不稳定测试 0 输入令牌 28,980 输出令牌 1,283 推理令牌 1,533,310 响应时间（平均） 68.14s 响应时间（总计） 1090.28s 响应时间（最大） 280.52s 答案错误: 2 未遵循指令: 1 反AI技巧 : 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0
#69#69	Claude Opus 4.6medium	7.0	Anthropic	$2.053	25.89s
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 61.9% 不稳定测试 3 输入令牌 53,227 输出令牌 47,446 推理令牌 24,000 响应时间（平均） 25.89s 响应时间（总计） 362.49s 响应时间（最大） 83.40s 额外格式: 5 答案错误: 3 未遵循指令: 1 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
#53#53	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
查看模型卡片总测试数 18 错误测试数 8 可靠性 10.0 尝试通过率 68.5% 不稳定测试 4 输入令牌 29,134 输出令牌 1,984 推理令牌 1,355,583 响应时间（平均） 61.96s 响应时间（总计） 1115.31s 响应时间（最大） 149.23s 答案错误: 4 未遵循指令: 3 无答案: 1 反AI技巧 : 8.7 编程 : 10.0 综合 : 10.0 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 : 7.3 谜题求解 : 5.7 工具调用 : 10.0
#52#52	Claude Sonnet 4.6medium	7.4	Anthropic	$1.418	17.06s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 49,112 输出令牌 54,703 推理令牌 29,970 响应时间（平均） 17.06s 响应时间（总计） 221.83s 响应时间（最大） 46.35s 答案错误: 4 额外格式: 3 超时: 1 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 : 2.9 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
#21#21	GPT-5.4medium	8.0	OpenAI	$1.210	22.35s
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 76.2% 不稳定测试 4 输入令牌 34,108 输出令牌 2,242 推理令牌 72,707 响应时间（平均） 22.35s 响应时间（总计） 469.29s 响应时间（最大） 100.41s 答案错误: 5 未遵循指令: 2 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
#71#71	Step 3.7 Flashhigh	7.0	Stepfun	$1.148	64.46s
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 63.5% 不稳定测试 4 输入令牌 38,391 输出令牌 991,355 推理令牌 0 响应时间（平均） 64.46s 响应时间（总计） 1353.57s 响应时间（最大） 364.99s 答案错误: 6 无答案: 4 反AI技巧 : 10.0 编程 : 4.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.6	Google	$1.115	8.84s
查看模型卡片总测试数 21 错误测试数 1 可靠性 10.0 尝试通过率 96.8% 不稳定测试 1 输入令牌 37,594 输出令牌 1,975 推理令牌 115,638 响应时间（平均） 8.84s 响应时间（总计） 185.57s 响应时间（最大） 34.82s 答案错误: 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 : 7.6 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 9.8 常识问答 : 10.0
#10#10	Claude Opus 4.8medium	8.7	Anthropic	$1.107	9.66s
查看模型卡片总测试数 21 错误测试数 4 可靠性 10.0 尝试通过率 84.1% 不稳定测试 1 输入令牌 61,007 输出令牌 26,495 推理令牌 5,901 响应时间（平均） 9.66s 响应时间（总计） 202.89s 响应时间（最大） 38.03s 答案错误: 3 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.8 数据解析与提取 : 7.1 领域专项 : 5.3 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
#20#20	Gemini 3.5 Flashnone	8.1	Google	$1.079	9.93s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 77.8% 不稳定测试 3 输入令牌 13,843 输出令牌 117,518 推理令牌 0 响应时间（平均） 9.93s 响应时间（总计） 178.68s 响应时间（最大） 64.36s API 错误: 3 答案错误: 3 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 : 7.6 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
#4#4	Gemini 3.1 Pro Previewmedium	9.4	Google	$1.054	20.14s
查看模型卡片总测试数 21 错误测试数 2 可靠性 10.0 尝试通过率 90.5% 不稳定测试 0 输入令牌 41,617 输出令牌 1,977 推理令牌 78,896 响应时间（平均） 20.14s 响应时间（总计） 281.92s 响应时间（最大） 88.68s 答案错误: 2 反AI技巧 : 10.0 编程 : 7.9 综合 : 9.5 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
#14#14	Qwen3.6 Max Previewmedium	8.5	Qwen	$0.960 ↓	59.63s
查看模型卡片总测试数 21 错误测试数 5 可靠性 10.0 尝试通过率 81.0% 不稳定测试 2 输入令牌 42,362 输出令牌 2,273 推理令牌 144,367 响应时间（平均） 59.63s 响应时间（总计） 1252.17s 响应时间（最大） 238.07s 答案错误: 5 反AI技巧 : 10.0 编程 : 8.8 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#47#47	Grok Build 0.1medium	7.4	X AI	$0.927	49.90s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 61.9% 不稳定测试 0 输入令牌 44,418 输出令牌 2,782 推理令牌 438,018 响应时间（平均） 49.90s 响应时间（总计） 1047.92s 响应时间（最大） 252.69s 答案错误: 5 额外格式: 3 反AI技巧 : 8.3 编程 : 5.7 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#6#6	GPT-5.5low	9.0	OpenAI	$0.907	9.76s
查看模型卡片总测试数 21 错误测试数 3 可靠性 10.0 尝试通过率 85.7% 不稳定测试 0 输入令牌 34,209 输出令牌 2,046 推理令牌 22,460 响应时间（平均） 9.76s 响应时间（总计） 204.92s 响应时间（最大） 56.19s 答案错误: 3 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 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#60#60	Kimi K2.6medium	7.2	Moonshot AI	$0.891 ↓	71.67s
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 65.1% 不稳定测试 3 输入令牌 29,450 输出令牌 102,923 推理令牌 254,094 响应时间（平均） 71.67s 响应时间（总计） 1433.36s 响应时间（最大） 406.78s 超时: 3 答案错误: 3 未遵循指令: 2 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 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 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#13#13	Grok 4.20 Betamedium	8.5	X AI	$0.750 ↑	9.75s
查看模型卡片总测试数 18 错误测试数 4 可靠性不适用尝试通过率 81.5% 不稳定测试 1 输入令牌 35,955 输出令牌 1,647 推理令牌 91,565 响应时间（平均） 9.75s 响应时间（总计） 175.48s 响应时间（最大） 31.36s 答案错误: 3 未遵循指令: 1 反AI技巧 : 8.7 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0
#15#15	GPT-5.3-Codexmedium	8.4	OpenAI	$0.740	16.22s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 82.5% 不稳定测试 4 输入令牌 34,299 输出令牌 2,357 推理令牌 46,189 响应时间（平均） 16.22s 响应时间（总计） 340.67s 响应时间（最大） 100.93s 答案错误: 4 未遵循指令: 2 反AI技巧 : 8.7 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 : 4.6 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 2.8
#80#80	Mimo V2 Omnimedium	6.7	Xiaomi	$0.683 ↓	41.16s
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 55.6% 不稳定测试 3 输入令牌 37,007 输出令牌 1,952 推理令牌 357,306 响应时间（平均） 41.16s 响应时间（总计） 823.26s 响应时间（最大） 299.23s 答案错误: 5 未遵循指令: 2 无答案: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 3.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.4 指令遵循 : 8.3 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#11#11	Claude Opus 4.7medium	8.7	Anthropic	$0.679	4.73s
查看模型卡片总测试数 21 错误测试数 4 可靠性 10.0 尝试通过率 82.5% 不稳定测试 1 输入令牌 65,406 输出令牌 11,858 推理令牌 2,198 响应时间（平均） 4.73s 响应时间（总计） 94.51s 响应时间（最大） 23.18s 答案错误: 3 超时: 1 反AI技巧 : 8.3 编程 : 7.6 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 : 3.0
#1🥇 #1	Gemini 3 Flash Previewmedium	9.8	Google	$0.667	18.64s
查看模型卡片总测试数 21 错误测试数 1 可靠性 10.0 尝试通过率 98.4% 不稳定测试 1 输入令牌 37,017 输出令牌 2,006 推理令牌 214,153 响应时间（平均） 18.64s 响应时间（总计） 391.35s 响应时间（最大） 117.26s 答案错误: 1 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 : 10.0 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 : 10.0
#38#38	Grok 4.3medium	7.6	X AI	$0.614	47.51s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 71.4% 不稳定测试 4 输入令牌 44,472 输出令牌 1,981 推理令牌 221,382 响应时间（平均） 47.51s 响应时间（总计） 997.68s 响应时间（最大） 216.69s 答案错误: 5 未遵循指令: 2 额外格式: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#65#65	Grok 4.20medium	7.1	X AI	$0.609 ↓	27.68s
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 63.5% 不稳定测试 3 输入令牌 44,433 输出令牌 1,819 推理令牌 219,524 响应时间（平均） 27.68s 响应时间（总计） 581.26s 响应时间（最大） 199.66s 答案错误: 6 未遵循指令: 2 额外格式: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#29#29	Qwen3.5-122B-A10Bmedium	7.8	Qwen	$0.588 ↓	42.49s
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 73.0% 不稳定测试 3 输入令牌 41,832 输出令牌 26,187 推理令牌 251,028 响应时间（平均） 42.49s 响应时间（总计） 892.30s 响应时间（最大） 168.16s 答案错误: 5 超时: 2 反AI技巧 : 10.0 编程 : 6.0 综合 : 10.0 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
#7#7	Gemini 3.5 Flashmedium	9.0	Google	$0.582	4.94s
查看模型卡片总测试数 21 错误测试数 3 可靠性 10.0 尝试通过率 87.3% 不稳定测试 1 输入令牌 36,936 输出令牌 2,001 推理令牌 56,408 响应时间（平均） 4.94s 响应时间（总计） 103.79s 响应时间（最大） 18.07s 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 7.9 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 10.0
#42#42	GPT-5.2medium	7.5	OpenAI	$0.548	16.88s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 71.4% 不稳定测试 4 输入令牌 33,967 输出令牌 2,901 推理令牌 31,932 响应时间（平均） 16.88s 响应时间（总计） 236.34s 响应时间（最大） 77.80s 未遵循指令: 3 答案错误: 3 无答案: 1 超时: 1 反AI技巧 : 6.5 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 : 3.7 指令遵循 : 9.9 谜题求解 : 7.5 工具调用 : 4.7 常识问答 : 3.0
#100#100	Grok Build 0.1none	6.0	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 50.9% 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 : 10.0 综合 : 3.0 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
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
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 61.9% 不稳定测试 2 输入令牌 67,104 输出令牌 8,107 推理令牌 0 响应时间（平均） 3.47s 响应时间（总计） 72.90s 响应时间（最大） 17.73s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.5 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#30#30	Qwen3.5-27Bmedium	7.8	Qwen	$0.536 ↓	68.39s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 73.0% 不稳定测试 4 输入令牌 42,164 输出令牌 8,534 推理令牌 329,289 响应时间（平均） 68.39s 响应时间（总计） 1436.24s 响应时间（最大） 234.36s 答案错误: 4 未遵循指令: 2 额外格式: 1 超时: 1 反AI技巧 : 8.7 编程 : 6.2 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 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#45#45	GPT-5.4 Minimedium	7.5	OpenAI	$0.526	22.34s
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 73.0% 不稳定测试 5 输入令牌 34,116 输出令牌 2,181 推理令牌 108,937 响应时间（平均） 22.34s 响应时间（总计） 469.20s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 反AI技巧 : 8.6 编程 : 8.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 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

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium免费可用 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比