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：: 2026-04-24 已评估模型: 115

50/115

排名	模型	分数	公司	总成本	响应时间（平均）
#1🥇 #1	Gemini 3 Flash Previewmedium	10.0	Google	$0.108	12.11s
查看模型卡片总测试数: 18 错误测试数: 0 可靠性: 不适用尝试通过率: 100.0% 不稳定测试: 0 输出令牌: 655 推理令牌: 33,749 响应时间：平均 12.11s · 总计 217.93s · 最大 82.37s 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 : 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
#2🥈 #2	Gemini 3.1 Pro Previewmedium	9.6	Google	$0.578	15.96s
查看模型卡片总测试数: 18 错误测试数: 1 可靠性: 不适用尝试通过率: 94.4% 不稳定测试: 0 输出令牌: 1,932 推理令牌: 40,542 响应时间：平均 15.96s · 总计 175.52s · 最大 40.61s 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 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
#3🥉 #3	Claude Opus 4.7medium	9.2	Anthropic	$0.447	3.53s
查看模型卡片总测试数: 18 错误测试数: 2 可靠性: 不适用尝试通过率: 88.9% 不稳定测试: 0 输出令牌: 5,375 推理令牌: 1,341 响应时间：平均 3.53s · 总计 60.03s · 最大 21.45s 超时: 1 答案错误: 1 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 : 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
#4#4	Claude Opus 4.7none	9.2	Anthropic	$0.505	3.13s
查看模型卡片总测试数: 18 错误测试数: 2 可靠性: 不适用尝试通过率: 88.9% 不稳定测试: 0 输出令牌: 6,326 推理令牌: 0 响应时间：平均 3.13s · 总计 56.33s · 最大 18.27s 答案错误: 2 反AI技巧 : 8.3 编程 : 10.0 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
#5#5	GPT-5.5medium	9.0	OpenAI	$2.884	32.75s
查看模型卡片总测试数: 18 错误测试数: 3 可靠性: 不适用尝试通过率: 87.0% 不稳定测试: 2 输出令牌: 1,920 推理令牌: 89,632 响应时间：平均 32.75s · 总计 589.59s · 最大 332.10s 答案错误: 2 未遵循指令: 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 : 10.0 指令遵循 : 10.0 谜题求解 : 8.6 工具调用 : 10.0
#6#6	Gemini 3 Flash Previewlow	8.8	Google	$0.091	6.01s
查看模型卡片总测试数: 18 错误测试数: 3 可靠性: 不适用尝试通过率: 85.2% 不稳定测试: 1 输出令牌: 2,018 推理令牌: 23,273 响应时间：平均 6.01s · 总计 108.12s · 最大 14.72s 答案错误: 3 反AI技巧 : 10.0 编程 : 10.0 综合 : 3.0 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
#7#7	Seed-2.0-Litemedium	8.6	Bytedance Seed	$0.121	30.37s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 83.3% 不稳定测试: 3 输出令牌: 3,257 推理令牌: 52,042 响应时间：平均 30.37s · 总计 546.72s · 最大 168.71s 答案错误: 3 未遵循指令: 2 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 : 5.9 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0
#8#8	GPT-5.3-Codexmedium	8.6	OpenAI	$0.573	15.38s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 83.3% 不稳定测试: 3 输出令牌: 2,279 推理令牌: 35,179 响应时间：平均 15.38s · 总计 276.91s · 最大 100.93s 答案错误: 3 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
#9#9	Qwen3.5 Plus 2026-02-15medium	8.5	Qwen	$0.220	46.56s
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: 83.3% 不稳定测试: 2 输出令牌: 2,121 推理令牌: 111,889 响应时间：平均 46.56s · 总计 512.20s · 最大 120.91s 超时: 2 答案错误: 2 反AI技巧 : 8.2 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 : 4.7 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#10#10	HY3 Previewhigh	8.5	Tencent	$0.000	55.19s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 81.5% 不稳定测试: 3 输出令牌: 238,920 推理令牌: 0 响应时间：平均 55.19s · 总计 938.23s · 最大 149.94s 未遵循指令: 2 答案错误: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 8.5 谜题求解 : 9.0 工具调用 : 10.0
#11#11	Qwen3.6 Plus Previewmedium	8.5	Qwen	$0.000	13.94s
查看模型卡片总测试数: 17 错误测试数: 4 可靠性: 不适用尝试通过率: 76.5% 不稳定测试: 0 输出令牌: 1,756 推理令牌: 77,213 响应时间：平均 13.94s · 总计 237.01s · 最大 43.55s 答案错误: 3 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 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#12#12	Qwen3.5-27Bmedium	8.4	Qwen	$0.497	53.03s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 81.5% 不稳定测试: 3 输出令牌: 2,500 推理令牌: 242,500 响应时间：平均 53.03s · 总计 954.46s · 最大 163.96s 未遵循指令: 2 额外格式: 1 超时: 1 答案错误: 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 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0
#13#13	Gemini 3.1 Flash Lite Previewhigh	8.4	Google	$2.310	68.83s
查看模型卡片总测试数: 16 错误测试数: 4 可靠性: 不适用尝试通过率: 77.1% 不稳定测试: 1 输出令牌: 1,283 推理令牌: 1,533,310 响应时间：平均 68.83s · 总计 1101.32s · 最大 280.52s 答案错误: 3 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 : 7.9 谜题求解 : 7.7 工具调用 : 10.0
#14#14	Gemini 3 PRO Previewmedium	8.4	Google	$0.197	9.06s
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: 77.8% 不稳定测试: 0 输出令牌: 1,508 推理令牌: 10,084 响应时间：平均 9.06s · 总计 90.58s · 最大 26.24s 答案错误: 3 API 错误: 1 反AI技巧 : 10.0 编程 : 3.0 综合 : 3.0 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 : 10.0
#15#15	GLM 5medium	8.4	Z.ai	$0.155	23.34s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 85.2% 不稳定测试: 4 输出令牌: 20,163 推理令牌: 58,337 响应时间：平均 23.34s · 总计 233.40s · 最大 79.09s 答案错误: 2 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 7.1 领域专项 : 3.5 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#16#16	Gemma 4 31Bmedium	8.3	Google	$0.018	24.88s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 2 输出令牌: 12,734 推理令牌: 27,950 响应时间：平均 24.88s · 总计 398.13s · 最大 70.97s API 错误: 2 未遵循指令: 1 超时: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 4.7 综合 : 3.0 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 : 8.8 工具调用 : 3.0
#17#17	Gemini 2.5 Flashmedium	8.2	Google	$0.319	12.12s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 1 输出令牌: 1,898 推理令牌: 122,273 响应时间：平均 12.12s · 总计 218.12s · 最大 95.48s 答案错误: 4 未遵循指令: 1 反AI技巧 : 8.4 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 : 4.8 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0
#18#18	GPT-5.4medium	8.2	OpenAI	$0.832	18.63s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 3 输出令牌: 2,169 推理令牌: 48,732 响应时间：平均 18.63s · 总计 335.26s · 最大 100.41s 答案错误: 3 未遵循指令: 2 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 : 4.7 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0
#19#19	Gemini 3.1 Flash Lite Previewmedium	8.2	Google	$0.055	3.74s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 72.2% 不稳定测试: 0 输出令牌: 2,168 推理令牌: 29,030 响应时间：平均 3.74s · 总计 67.31s · 最大 14.93s 答案错误: 4 未遵循指令: 1 反AI技巧 : 9.1 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 : 7.7 工具调用 : 10.0
#20#20	DeepSeek V4 Prohigh	8.2	DeepSeek	$0.160	71.21s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 1 输出令牌: 671 推理令牌: 39,383 响应时间：平均 71.21s · 总计 1281.73s · 最大 351.99s 答案错误: 3 未遵循指令: 2 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 : 5.0 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0
#21#21	GLM 5 Turbomedium	8.1	Z.ai	$0.182	17.67s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 77.8% 不稳定测试: 5 输出令牌: 12,197 推理令牌: 38,933 响应时间：平均 17.67s · 总计 317.98s · 最大 194.23s 答案错误: 3 未遵循指令: 2 超时: 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 : 2.9 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 7.3 工具调用 : 10.0
#22#22	Qwen3.5-122B-A10Bmedium	8.1	Qwen	$0.528	31.38s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 3 输出令牌: 17,635 推理令牌: 162,668 响应时间：平均 31.38s · 总计 564.84s · 最大 119.29s 答案错误: 3 超时: 2 反AI技巧 : 10.0 编程 : 4.7 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
#23#23	Qwen3.6 Plusmedium	8.1	Qwen	$0.000	15.27s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 1 输出令牌: 1,763 推理令牌: 83,782 响应时间：平均 15.27s · 总计 259.55s · 最大 43.55s 答案错误: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 3.0 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#24#24	HY3 Previewlow	8.1	Tencent	$0.000	23.98s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 1 输出令牌: 65,778 推理令牌: 0 响应时间：平均 23.98s · 总计 407.72s · 最大 78.74s 未遵循指令: 2 答案错误: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0
#25#25	Gemini 3 Flash Previewnone	8.1	Google	$0.021	1.65s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 77.8% 不稳定测试: 2 输出令牌: 1,840 推理令牌: 0 响应时间：平均 1.65s · 总计 18.20s · 最大 3.56s 答案错误: 5 反AI技巧 : 8.3 编程 : 10.0 综合 : 4.7 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0
#26#26	Gemini 3.1 Flash Lite Previewlow	8.1	Google	$0.022	3.22s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 72.2% 不稳定测试: 0 输出令牌: 2,247 推理令牌: 8,058 响应时间：平均 3.22s · 总计 58.00s · 最大 11.91s 答案错误: 4 未遵循指令: 1 反AI技巧 : 8.3 编程 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#27#27	MiMo-V2.5-Promedium	8.1	Xiaomi	$0.201	16.17s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 3 输出令牌: 2,735 推理令牌: 52,571 响应时间：平均 16.17s · 总计 291.09s · 最大 84.22s 额外格式: 2 未遵循指令: 2 答案错误: 2 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 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 : 9.9 谜题求解 : 6.7 工具调用 : 10.0
#28#28	MiMo-V2-Promedium	8.1	Xiaomi	$0.159	12.27s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 77.8% 不稳定测试: 3 输出令牌: 2,360 推理令牌: 38,320 响应时间：平均 12.27s · 总计 208.56s · 最大 64.71s 答案错误: 3 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 4.7 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 : 7.0 工具调用 : 10.0
#29#29	HY3 Previewmedium	8.1	Tencent	$0.000	14.63s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 1 输出令牌: 65,057 推理令牌: 0 响应时间：平均 14.63s · 总计 248.72s · 最大 46.04s 未遵循指令: 2 答案错误: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0
#30#30	Gemma 4 26B A4Bmedium	8.0	Google	$0.028	25.03s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 2 输出令牌: 15,928 推理令牌: 44,631 响应时间：平均 25.03s · 总计 425.48s · 最大 147.47s 超时: 2 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 2.8 综合 : 9.6 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 : 7.9 工具调用 : 10.0
#31#31	Grok 4.20 Betamedium	8.0	X AI	$0.633	9.81s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 2 输出令牌: 1,568 推理令牌: 91,909 响应时间：平均 9.81s · 总计 176.62s · 最大 31.36s 未遵循指令: 3 答案错误: 3 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 : 8.3 谜题求解 : 8.2 工具调用 : 3.0
#32#32	Claude Sonnet 4.6medium	8.0	Anthropic	$1.161	12.66s
查看模型卡片总测试数: 18 错误测试数: 5 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 1 输出令牌: 42,068 推理令牌: 26,784 响应时间：平均 12.66s · 总计 126.62s · 最大 46.35s 额外格式: 2 答案错误: 2 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 : 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
#33#33	DeepSeek V3.2medium	8.0	DeepSeek	$0.028	43.49s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 4 输出令牌: 7,554 推理令牌: 45,588 响应时间：平均 43.49s · 总计 782.73s · 最大 180.92s 答案错误: 3 超时: 2 未遵循指令: 1 反AI技巧 : 8.4 编程 : 4.7 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 : 10.0 谜题求解 : 8.2 工具调用 : 10.0
#34#34	GPT-5.2 Chatnone	7.9	OpenAI	$0.291	6.84s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 3 输出令牌: 17,346 推理令牌: 0 响应时间：平均 6.84s · 总计 123.17s · 最大 38.52s 答案错误: 5 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 : 4.4 指令遵循 : 7.5 谜题求解 : 7.7 工具调用 : 10.0
#35#35	Gemini 3.1 Flash Lite Previewnone	7.9	Google	$0.016	1.30s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 1 输出令牌: 5,361 推理令牌: 0 响应时间：平均 1.30s · 总计 23.42s · 最大 3.39s 答案错误: 4 未遵循指令: 2 反AI技巧 : 7.5 编程 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0
#36#36	Step 3.5 Flashmedium	7.9	Stepfun	$0.000	26.78s
查看模型卡片总测试数: 17 错误测试数: 6 可靠性: 不适用尝试通过率: 70.6% 不稳定测试: 2 输出令牌: 71,904 推理令牌: 155,607 响应时间：平均 26.78s · 总计 294.58s · 最大 170.45s 未遵循指令: 3 答案错误: 3 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 : 5.5 指令遵循 : 8.5 谜题求解 : 5.3 工具调用 : 10.0
#37#37	DeepSeek V4 Flashhigh	7.8	DeepSeek	$0.021	47.47s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 79.6% 不稳定测试: 5 输出令牌: 1,757 推理令牌: 55,907 响应时间：平均 47.47s · 总计 854.45s · 最大 255.28s 答案错误: 4 未遵循指令: 3 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 : 4.1 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0
#38#38	GLM 5V Turbomedium	7.8	Z.ai	$0.291	14.96s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 77.8% 不稳定测试: 6 输出令牌: 2,351 推理令牌: 58,941 响应时间：平均 14.96s · 总计 269.32s · 最大 67.08s 答案错误: 3 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 7.2 编程 : 10.0 综合 : 6.9 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 : 9.9 谜题求解 : 7.7 工具调用 : 7.0
#39#39	Qwen3.5-Flashmedium	7.8	Qwen	$0.080	66.72s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 81.5% 不稳定测试: 6 输出令牌: 2,073 推理令牌: 191,899 响应时间：平均 66.72s · 总计 1201.03s · 最大 234.29s 超时: 4 API 错误: 1 未遵循指令: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 4.7 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0
#40#40	GLM 5.1medium	7.8	Z.ai	$0.201	24.13s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 75.9% 不稳定测试: 3 输出令牌: 8,005 推理令牌: 49,090 响应时间：平均 24.13s · 总计 410.25s · 最大 118.52s 答案错误: 3 超时: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 4.7 综合 : 9.5 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0
#41#41	MiMo-V2.5medium	7.8	Xiaomi	$0.253	13.71s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 3 输出令牌: 2,840 推理令牌: 116,242 响应时间：平均 13.71s · 总计 246.73s · 最大 86.93s 额外格式: 2 答案错误: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 10.0 数据解析与提取 : 2.7 领域专项 : 5.3 通用智能 : 3.8 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0
#42#42	Kimi K2.6medium	7.7	Moonshot AI	$0.722	45.20s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 74.1% 不稳定测试: 4 输出令牌: 80,759 推理令牌: 179,814 响应时间：平均 45.20s · 总计 768.37s · 最大 215.85s 未遵循指令: 3 超时: 2 答案错误: 2 反AI技巧 : 7.0 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 : 5.0 工具调用 : 10.0
#43#43	MiMo-V2-Omnimedium	7.7	Xiaomi	$0.153	16.76s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 61.1% 不稳定测试: 0 输出令牌: 928 推理令牌: 72,661 响应时间：平均 16.76s · 总计 301.61s · 最大 158.78s 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 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 : 3.0 通用智能 : 10.0 指令遵循 : 8.3 谜题求解 : 6.5 工具调用 : 10.0
#44#44	GPT-5.3 Chatnone	7.7	OpenAI	$0.340	5.88s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 68.5% 不稳定测试: 3 输出令牌: 20,784 推理令牌: 0 响应时间：平均 5.88s · 总计 105.90s · 最大 18.33s 答案错误: 5 未遵循指令: 2 反AI技巧 : 6.7 编程 : 10.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 8.3 谜题求解 : 10.0 工具调用 : 10.0
#45#45	Claude Opus 4.6medium	7.6	Anthropic	$1.446	21.08s
查看模型卡片总测试数: 18 错误测试数: 6 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 2 输出令牌: 29,829 推理令牌: 18,938 响应时间：平均 21.08s · 总计 231.84s · 最大 83.40s 额外格式: 4 答案错误: 2 反AI技巧 : 6.4 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 : 7.7 工具调用 : 10.0
#46#46	GPT-5.4 Nanomedium	7.6	OpenAI	$0.083	11.21s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 68.5% 不稳定测试: 2 输出令牌: 2,946 推理令牌: 58,132 响应时间：平均 11.21s · 总计 201.80s · 最大 94.06s 答案错误: 4 未遵循指令: 3 反AI技巧 : 8.3 编程 : 10.0 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.0 工具调用 : 10.0
#47#47	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.037	69.70s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 66.7% 不稳定测试: 2 输出令牌: 2,419 推理令牌: 79,238 响应时间：平均 69.70s · 总计 1045.47s · 最大 262.83s 超时: 4 答案错误: 2 未遵循指令: 1 反AI技巧 : 6.6 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 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0
#48#48	GPT-5.2medium	7.5	OpenAI	$0.352	14.04s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 72.2% 不稳定测试: 4 输出令牌: 2,705 推理令牌: 18,977 响应时间：平均 14.04s · 总计 154.41s · 最大 77.80s 未遵循指令: 3 答案错误: 2 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 : 7.7 工具调用 : 4.7
#49#49	MiMo-V2-Flashmedium	7.5	Xiaomi	$0.038	23.36s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 70.4% 不稳定测试: 3 输出令牌: 12,387 推理令牌: 115,182 响应时间：平均 23.36s · 总计 280.34s · 最大 96.01s 答案错误: 3 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 8.1 编程 : 4.7 综合 : 9.8 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
#50#50	Claude Sonnet 4.6none	7.4	Anthropic	$0.262	4.98s
查看模型卡片总测试数: 18 错误测试数: 7 可靠性: 不适用尝试通过率: 64.8% 不稳定测试: 1 输出令牌: 7,433 推理令牌: 0 响应时间：平均 4.98s · 总计 54.83s · 最大 23.84s 额外格式: 3 答案错误: 3 未遵循指令: 1 反AI技巧 : 4.8 编程 : 10.0 综合 : 9.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.1 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7none Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsSeed-2.0-Litemedium Gemini 3 Flash PreviewmediumvsHY3 Previewhigh免费可用 Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsClaude Opus 4.7none Claude Opus 4.7nonevsGPT-5.5medium GPT-5.5mediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsSeed-2.0-Litemedium

AI 基准排行榜

筛选模型

快速对比