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）
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
查看模型卡片总测试数 23 错误测试数 22 可靠性 7.3 尝试通过率 26.1% 不稳定测试 11 输入令牌 98,467 输出令牌 3,385 推理令牌 104,595 响应时间（平均） 371.69s 响应时间（总计） 8548.88s 响应时间（最大） 971.85s 答案错误: 9 超时: 6 API 错误: 4 未遵循指令: 3 智能体任务 : 3.0 反AI技巧 : 3.8 编程 : 4.2 综合 : 3.0 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.2 指令遵循 : 4.3 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 230,895 输出令牌 161,281 推理令牌 510,655 响应时间（平均） 263.69s 响应时间（总计） 6064.89s 响应时间（最大） 1727.29s 答案错误: 6 未遵循指令: 2 无答案: 2 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 3.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 10.0 指令遵循 : 8.4 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
查看模型卡片总测试数 23 错误测试数 19 可靠性 8.2 尝试通过率 37.7% 不稳定测试 10 输入令牌 282,658 输出令牌 198,563 推理令牌 462,804 响应时间（平均） 235.35s 响应时间（总计） 5413.09s 响应时间（最大） 685.87s 超时: 10 答案错误: 7 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 6.9 编程 : 3.8 综合 : 5.0 数据解析与提取 : 3.8 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 6.4 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
查看模型卡片总测试数 23 错误测试数 20 可靠性 6.5 尝试通过率 21.7% 不稳定测试 4 输入令牌 162,180 输出令牌 5,030 推理令牌 682,447 响应时间（平均） 207.21s 响应时间（总计） 4765.91s 响应时间（最大） 597.45s 答案错误: 13 API 错误: 5 未遵循指令: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 6.0 编程 : 5.2 综合 : 2.9 数据解析与提取 : 8.7 领域专项 : 4.5 通用智能 : 7.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
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 49.3% 不稳定测试 3 输入令牌 139,086 输出令牌 193,584 推理令牌 413,546 响应时间（平均） 190.48s 响应时间（总计） 3238.23s 响应时间（最大） 1597.85s 答案错误: 6 未遵循指令: 3 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 2.4 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.5 指令遵循 : 8.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#68#68	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 79.7% 不稳定测试 5 输入令牌 234,572 输出令牌 8,019 推理令牌 761,563 响应时间（平均） 189.13s 响应时间（总计） 4349.92s 响应时间（最大） 885.33s 答案错误: 5 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.2 编程 : 8.2 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 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#36#36	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
查看模型卡片总测试数 23 错误测试数 5 可靠性 9.8 尝试通过率 87.0% 不稳定测试 3 输入令牌 328,637 输出令牌 8,619 推理令牌 432,733 响应时间（平均） 186.06s 响应时间（总计） 4279.49s 响应时间（最大） 912.78s 答案错误: 2 未遵循指令: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#42#42	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 79.7% 不稳定测试 3 输入令牌 246,954 输出令牌 8,378 推理令牌 698,942 响应时间（平均） 170.52s 响应时间（总计） 3922.04s 响应时间（最大） 584.71s 答案错误: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 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 : 2.9 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.7 尝试通过率 78.3% 不稳定测试 2 输入令牌 348,967 输出令牌 1,005 推理令牌 676,075 响应时间（平均） 166.34s 响应时间（总计） 3825.81s 响应时间（最大） 640.85s 未遵循指令: 2 无答案: 2 答案错误: 2 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.1 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 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 81.2% 不稳定测试 2 输入令牌 241,855 输出令牌 8,387 推理令牌 600,946 响应时间（平均） 161.25s 响应时间（总计） 3708.70s 响应时间（最大） 739.98s 答案错误: 3 无答案: 2 智能体任务 : 10.0 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 : 2.9 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.5 尝试通过率 52.2% 不稳定测试 4 输入令牌 243,381 输出令牌 1,581,325 推理令牌 0 响应时间（平均） 154.41s 响应时间（总计） 3551.40s 响应时间（最大） 455.72s 无答案: 7 答案错误: 3 API 错误: 2 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 2.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.4 指令遵循 : 7.3 谜题求解 : 5.8 工具调用 : 10.0 常识问答 : 3.0
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.4 尝试通过率 76.8% 不稳定测试 1 输入令牌 270,889 输出令牌 10,688 推理令牌 328,857 响应时间（平均） 151.96s 响应时间（总计） 3495.01s 响应时间（最大） 960.01s 超时: 2 答案错误: 2 API 错误: 1 未遵循指令: 1 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 : 3.6 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 53.6% 不稳定测试 4 输入令牌 275,080 输出令牌 32,447 推理令牌 372,188 响应时间（平均） 151.67s 响应时间（总计） 3488.43s 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 智能体任务 : 10.0 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
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.4 尝试通过率 30.4% 不稳定测试 8 输入令牌 228,711 输出令牌 42,254 推理令牌 422,121 响应时间（平均） 150.90s 响应时间（总计） 2414.33s 响应时间（最大） 1539.97s 答案错误: 10 无答案: 3 未遵循指令: 2 无效工具调用: 2 超时: 2 智能体任务 : 3.9 反AI技巧 : 4.7 编程 : 3.2 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 3.5 通用智能 : 3.6 指令遵循 : 6.2 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.5 尝试通过率 78.3% 不稳定测试 7 输入令牌 298,476 输出令牌 7,762 推理令牌 515,918 响应时间（平均） 148.11s 响应时间（总计） 3406.53s 响应时间（最大） 904.91s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.3 编程 : 8.2 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 : 8.4 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 2.8
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 7 输入令牌 384,974 输出令牌 13,946 推理令牌 371,916 响应时间（平均） 145.21s 响应时间（总计） 3339.87s 响应时间（最大） 640.89s 答案错误: 7 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.3 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 : 8.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 59.4% 不稳定测试 3 输入令牌 287,669 输出令牌 47,204 推理令牌 375,030 响应时间（平均） 144.88s 响应时间（总计） 3332.19s 响应时间（最大） 939.52s 答案错误: 8 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 58.0% 不稳定测试 2 输入令牌 150,033 输出令牌 22,347 推理令牌 402,143 响应时间（平均） 142.76s 响应时间（总计） 3283.43s 响应时间（最大） 491.42s 答案错误: 5 未遵循指令: 3 无答案: 2 额外格式: 1 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 5.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 8.9 工具调用 : 10.0 常识问答 : 3.0
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
查看模型卡片总测试数 23 错误测试数 15 可靠性 8.9 尝试通过率 42.0% 不稳定测试 4 输入令牌 166,347 输出令牌 423,884 推理令牌 1,394,387 响应时间（平均） 140.39s 响应时间（总计） 3229.07s 响应时间（最大） 786.72s 答案错误: 10 额外格式: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 3.9 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
#93#93	Kimi K3max	8.3	Moonshot AI	$3.409 ↓	139.41s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.3 尝试通过率 78.3% 不稳定测试 2 输入令牌 170,700 输出令牌 7,719 推理令牌 225,608 响应时间（平均） 139.41s 响应时间（总计） 2788.26s 响应时间（最大） 766.58s API 错误: 2 无答案: 2 额外格式: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.7 尝试通过率 58.0% 不稳定测试 7 输入令牌 261,256 输出令牌 1,425,268 推理令牌 0 响应时间（平均） 138.27s 响应时间（总计） 3180.10s 响应时间（最大） 436.56s 无答案: 7 API 错误: 2 答案错误: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.4 反AI技巧 : 6.9 编程 : 2.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.5 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 53.6% 不稳定测试 5 输入令牌 261,842 输出令牌 1,434,621 推理令牌 0 响应时间（平均） 136.10s 响应时间（总计） 3130.27s 响应时间（最大） 438.09s 无答案: 6 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 6.4 编程 : 2.8 综合 : 7.3 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 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 60.9% 不稳定测试 5 输入令牌 299,558 输出令牌 33,248 推理令牌 374,819 响应时间（平均） 133.93s 响应时间（总计） 3080.36s 响应时间（最大） 519.91s 答案错误: 6 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#250#250	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
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 209,002 输出令牌 24,675 推理令牌 377,528 响应时间（平均） 128.91s 响应时间（总计） 2965.04s 响应时间（最大） 491.07s 答案错误: 6 未遵循指令: 3 API 错误: 1 额外格式: 1 无答案: 1 智能体任务 : 2.8 反AI技巧 : 8.7 编程 : 5.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 7.9 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.6 尝试通过率 60.9% 不稳定测试 8 输入令牌 292,271 输出令牌 55,025 推理令牌 186,071 响应时间（平均） 125.76s 响应时间（总计） 2137.84s 响应时间（最大） 566.79s 答案错误: 5 超时: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 智能体任务 : 3.9 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

1 2 18

→

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