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：: 2026-06-03 已评估模型: 161

161/161

排名	模型	分数	公司	总成本	响应时间（平均）
#1🥇 #1	Gemini 3 Flash Previewmedium	9.8	Google	$0.567	16.50s
查看模型卡片总测试数 20 错误测试数 1 可靠性 10.0 尝试通过率 98.3% 不稳定测试 1 输入令牌 34,014 输出令牌 2,000 推理令牌 181,033 响应时间（平均） 16.50s 响应时间（总计） 330.06s 响应时间（最大） 117.26s 答案错误: 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 : 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
#2🥈 #2	Gemini 3.5 Flashhigh	9.6	Google	$0.994	8.30s
查看模型卡片总测试数 20 错误测试数 1 可靠性 10.0 尝试通过率 96.7% 不稳定测试 1 输入令牌 34,591 输出令牌 1,969 推理令牌 102,679 响应时间（平均） 8.30s 响应时间（总计） 165.92s 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
#3🥉 #3	Gemini 3.5 Flashlow	9.3	Google	$0.285	2.98s
查看模型卡片总测试数 20 错误测试数 2 可靠性 10.0 尝试通过率 90.0% 不稳定测试 0 输入令牌 33,935 输出令牌 2,027 推理令牌 23,938 响应时间（平均） 2.98s 响应时间（总计） 59.59s 响应时间（最大） 6.44s 答案错误: 2 反AI技巧 : 10.0 编程 : 6.8 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 : 10.0 工具调用 : 10.0 常识问答 : 10.0
#4#4	Gemini 3.1 Pro Previewmedium	9.3	Google	$1.006	20.77s
查看模型卡片总测试数 20 错误测试数 2 可靠性 10.0 尝试通过率 90.0% 不稳定测试 0 输入令牌 38,614 输出令牌 1,971 推理令牌 75,384 响应时间（平均） 20.77s 响应时间（总计） 269.96s 响应时间（最大） 88.68s 答案错误: 2 反AI技巧 : 10.0 编程 : 7.0 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 常识问答 : 10.0
#5#5	Qwen3.7 Maxmedium	9.0	Qwen	$0.471 ↓	13.83s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 88.3% 不稳定测试 1 输入令牌 39,525 输出令牌 2,109 推理令牌 110,285 响应时间（平均） 13.83s 响应时间（总计） 276.53s 响应时间（最大） 33.37s 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 : 5.9 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
#6#6	Gemini 3.5 Flashmedium	9.0	Google	$0.472	4.29s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 86.7% 不稳定测试 1 输入令牌 33,933 输出令牌 1,995 推理令牌 44,792 响应时间（平均） 4.29s 响应时间（总计） 85.72s 响应时间（最大） 12.05s 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.8 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
#7#7	Claude Opus 4.7medium	8.9	Anthropic	$0.624	4.48s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 85.0% 不稳定测试 0 输入令牌 61,569 输出令牌 10,439 推理令牌 2,198 响应时间（平均） 4.48s 响应时间（总计） 85.21s 响应时间（最大） 23.18s 答案错误: 2 超时: 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 常识问答 : 3.0
#8#8	GPT-5.5low	8.9	OpenAI	$0.822	9.43s
查看模型卡片总测试数 20 错误测试数 3 可靠性 10.0 尝试通过率 85.0% 不稳定测试 0 输入令牌 31,590 输出令牌 2,025 推理令牌 20,092 响应时间（平均） 9.43s 响应时间（总计） 188.66s 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
#9#9	Claude Opus 4.7none	8.9	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 84.2% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 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 常识问答 : 3.0
#13#13	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
#10#10	GPT-5.5medium	8.7	OpenAI	$3.502	37.88s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 86.7% 不稳定测试 3 输入令牌 31,593 输出令牌 1,964 推理令牌 109,481 响应时间（平均） 37.88s 响应时间（总计） 757.66s 响应时间（最大） 332.10s 答案错误: 4 反AI技巧 : 10.0 编程 : 8.2 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
#11#11	Claude Opus 4.8medium	8.7	Anthropic	$1.006	9.34s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 83.3% 不稳定测试 1 输入令牌 57,185 输出令牌 23,201 推理令牌 5,901 响应时间（平均） 9.34s 响应时间（总计） 186.84s 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
#12#12	Gemini 3 Flash Previewlow	8.6	Google	$0.106	5.81s
查看模型卡片总测试数 20 错误测试数 4 可靠性 10.0 尝试通过率 81.7% 不稳定测试 1 输入令牌 33,766 输出令牌 2,070 推理令牌 27,348 响应时间（平均） 5.81s 响应时间（总计） 116.25s 响应时间（最大） 14.72s 答案错误: 4 反AI技巧 : 10.0 编程 : 7.3 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 常识问答 : 10.0
#14#14	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	Qwen3.6 Max Previewmedium	8.4	Qwen	$0.872 ↓	58.43s
查看模型卡片总测试数 20 错误测试数 5 可靠性 10.0 尝试通过率 80.0% 不稳定测试 2 输入令牌 39,527 输出令牌 2,253 推理令牌 130,852 响应时间（平均） 58.43s 响应时间（总计） 1168.66s 响应时间（最大） 238.07s 答案错误: 5 反AI技巧 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#16#16	Qwen3.7 Plusmedium	8.4	Qwen	$0.199	36.84s
查看模型卡片总测试数 20 错误测试数 5 可靠性 9.9 尝试通过率 80.0% 不稳定测试 2 输入令牌 38,104 输出令牌 2,107 推理令牌 112,479 响应时间（平均） 36.84s 响应时间（总计） 736.86s 响应时间（最大） 178.04s 答案错误: 4 超时: 1 反AI技巧 : 10.0 编程 : 6.5 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#17#17	GPT-5.3-Codexmedium	8.3	OpenAI	$0.685	15.95s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 81.7% 不稳定测试 4 输入令牌 31,680 输出令牌 2,336 推理令牌 42,565 响应时间（平均） 15.95s 响应时间（总计） 319.08s 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
#18#18	GLM 5medium	8.2	Z.ai	$0.212 ↓	32.67s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 81.7% 不稳定测试 4 输入令牌 32,626 输出令牌 21,558 推理令牌 95,772 响应时间（平均） 32.67s 响应时间（总计） 392.01s 响应时间（最大） 99.85s 答案错误: 3 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 常识问答 : 3.0
#19#19	Qwen3.5 Plus 2026-02-15medium	8.1	Qwen	$0.283 ↓	67.58s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 76.7% 不稳定测试 3 输入令牌 39,028 输出令牌 2,145 推理令牌 172,563 响应时间（平均） 67.58s 响应时间（总计） 878.57s 响应时间（最大） 266.69s 答案错误: 4 超时: 2 反AI技巧 : 8.2 编程 : 7.6 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 常识问答 : 3.0
#21#21	Gemini 3.5 Flashnone	8.0	Google	$0.924	9.05s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 76.7% 不稳定测试 3 输入令牌 10,840 输出令牌 100,760 推理令牌 0 响应时间（平均） 9.05s 响应时间（总计） 153.86s 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 : 8.2 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
#22#22	Gemma 4 31Bmedium	8.0	Google	$0.028 ↓	35.39s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 73.3% 不稳定测试 1 输入令牌 15,899 输出令牌 19,602 推理令牌 49,686 响应时间（平均） 35.39s 响应时间（总计） 637.01s 响应时间（最大） 150.90s API 错误: 2 答案错误: 2 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 4.1 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#23#23	Gemini 3.5 Flashminimal	7.9	Google	$0.103	1.58s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 71.7% 不稳定测试 1 输入令牌 36,844 输出令牌 5,271 推理令牌 0 响应时间（平均） 1.58s 响应时间（总计） 31.55s 响应时间（最大） 5.51s 答案错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 3.0 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 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#25#25	Hy3 previewmedium	7.9	Tencent	$0.018	16.28s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 70.0% 不稳定测试 0 输入令牌 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s 答案错误: 3 API 错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.5 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#26#26	Qwen3.7 Maxnone	7.9	Qwen	$0.051 ↓	1.30s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 70.0% 不稳定测试 0 输入令牌 34,266 输出令牌 1,988 推理令牌 0 响应时间（平均） 1.30s 响应时间（总计） 25.95s 响应时间（最大） 3.92s 答案错误: 6 反AI技巧 : 6.5 编程 : 6.8 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#31#31	Gemini 3 PRO Previewmedium	7.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 20 错误测试数 6 可靠性不适用尝试通过率 70.0% 不稳定测试 0 输入令牌 28,848 输出令牌 1,490 推理令牌 10,102 响应时间（平均） 9.05s 响应时间（总计） 90.53s 响应时间（最大） 26.24s API 错误: 3 答案错误: 3 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 常识问答 : 3.0
#32#32	Gemma 4 26B A4Bmedium	7.8	Google	$0.038 ↓	50.92s
查看模型卡片总测试数 20 错误测试数 6 可靠性 10.0 尝试通过率 73.3% 不稳定测试 2 输入令牌 38,410 输出令牌 28,000 推理令牌 82,045 响应时间（平均） 50.92s 响应时间（总计） 967.47s 响应时间（最大） 369.32s 答案错误: 3 超时: 2 无答案: 1 反AI技巧 : 10.0 编程 : 2.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#20#20	Seed-2.0-Litemedium	8.1	Bytedance Seed	$0.152	36.67s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 75.0% 不稳定测试 3 输入令牌 43,785 输出令牌 3,224 推理令牌 67,040 响应时间（平均） 36.67s 响应时间（总计） 733.46s 响应时间（最大） 168.71s 答案错误: 5 未遵循指令: 2 反AI技巧 : 8.3 编程 : 7.0 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 常识问答 : 3.0
#24#24	Qwen3.5-27Bmedium	7.9	Qwen	$0.488 ↓	60.09s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 73.3% 不稳定测试 3 输入令牌 39,329 输出令牌 2,569 推理令牌 304,894 响应时间（平均） 60.09s 响应时间（总计） 1201.89s 响应时间（最大） 177.36s 答案错误: 3 未遵循指令: 2 额外格式: 1 超时: 1 反AI技巧 : 8.7 编程 : 7.0 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 常识问答 : 3.0
#27#27	GPT-5.4medium	7.9	OpenAI	$1.140	22.31s
查看模型卡片总测试数 20 错误测试数 7 可靠性 10.0 尝试通过率 75.0% 不稳定测试 4 输入令牌 31,489 输出令牌 2,221 推理令牌 68,486 响应时间（平均） 22.31s 响应时间（总计） 446.17s 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 : 8.2 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
#28#28	Step 3.7 Flashmedium	7.9	Stepfun	$0.347	18.32s
查看模型卡片总测试数 20 错误测试数 7 可靠性 9.9 尝试通过率 71.7% 不稳定测试 2 输入令牌 37,338 输出令牌 294,481 推理令牌 0 响应时间（平均） 18.32s 响应时间（总计） 366.45s 响应时间（最大） 113.98s 答案错误: 5 未遵循指令: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 5.7 工具调用 : 10.0 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 PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsRing-2.6-1Tmedium Gemini 3 Flash PreviewmediumvsOwl Alphamedium Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium

AI 基准排行榜

筛选模型

快速对比