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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#226#226	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 62.3% 不稳定测试 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 23.94s 响应时间（总计） 550.52s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#227#227	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
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 68.1% 不稳定测试 4 输入令牌 35,593 输出令牌 12,245 推理令牌 62,277 响应时间（平均） 23.00s 响应时间（总计） 482.97s 响应时间（最大） 194.23s 答案错误: 4 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#228#228	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.055 ↑	27.42s
查看模型卡片总测试数 23 错误测试数 18 可靠性 10.0 尝试通过率 30.4% 不稳定测试 4 输入令牌 349,876 输出令牌 39,789 推理令牌 0 响应时间（平均） 27.42s 响应时间（总计） 630.70s 响应时间（最大） 387.15s 答案错误: 13 未遵循指令: 2 无效工具调用: 2 额外格式: 1 智能体任务 : 10.0 反AI技巧 : 3.4 编程 : 4.3 综合 : 3.7 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 : 5.0 谜题求解 : 3.2 工具调用 : 9.5 常识问答 : 3.0
#229#229	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 55.1% 不稳定测试 1 输入令牌 261,962 输出令牌 15,760 推理令牌 0 响应时间（平均） 3.60s 响应时间（总计） 82.91s 响应时间（最大） 48.59s 答案错误: 8 未遵循指令: 2 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 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 : 4.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#230#230	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
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 55.1% 不稳定测试 3 输入令牌 209,116 输出令牌 10,031 推理令牌 16,042 响应时间（平均） 11.40s 响应时间（总计） 262.14s 响应时间（最大） 34.77s 额外格式: 4 答案错误: 4 未遵循指令: 3 API 错误: 1 智能体任务 : 2.8 反AI技巧 : 6.5 编程 : 3.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 10.0 指令遵循 : 6.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#231#231	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 68.1% 不稳定测试 4 输入令牌 246,061 输出令牌 153,595 推理令牌 0 响应时间（平均） 14.13s 响应时间（总计） 268.55s 响应时间（最大） 85.26s API 错误: 4 答案错误: 4 无效工具调用: 1 智能体任务 : 2.8 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 : 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 常识问答 : 2.8
#232#232	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 49.3% 不稳定测试 7 输入令牌 319,352 输出令牌 158,447 推理令牌 875,524 响应时间（平均） 84.01s 响应时间（总计） 1932.24s 响应时间（最大） 525.14s 答案错误: 9 未遵循指令: 4 无效工具调用: 2 智能体任务 : 6.1 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
#233#233	Inklingnone	6.1	Thinkingmachines	$0.299 ↓	5.30s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 31.9% 不稳定测试 1 输入令牌 236,599 输出令牌 16,536 推理令牌 0 响应时间（平均） 5.30s 响应时间（总计） 121.91s 响应时间（最大） 48.02s 答案错误: 13 额外格式: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 4.8 编程 : 4.5 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 : 6.3 谜题求解 : 5.6 工具调用 : 3.0 常识问答 : 3.0
#234#234	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
查看模型卡片总测试数 23 错误测试数 15 可靠性 9.8 尝试通过率 44.9% 不稳定测试 5 输入令牌 299,984 输出令牌 69,664 推理令牌 0 响应时间（平均） 18.49s 响应时间（总计） 425.33s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 无效工具调用: 1 智能体任务 : 6.1 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
#235#235	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
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 37.7% 不稳定测试 1 输入令牌 259,708 输出令牌 16,567 推理令牌 33,580 响应时间（平均） 50.47s 响应时间（总计） 1160.91s 响应时间（最大） 557.96s 答案错误: 9 超时: 4 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.4 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 3.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#236#236	KAT-Coder-Pro V2.5none	6.1	Kwaipilot	$0.742 ↑	24.96s
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 68.1% 不稳定测试 8 输入令牌 98,508 输出令牌 139,572 推理令牌 0 响应时间（平均） 24.96s 响应时间（总计） 574.12s 响应时间（最大） 335.41s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.1 综合 : 4.1 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#237#237	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
查看模型卡片总测试数 22 错误测试数 10 可靠性 10.0 尝试通过率 55.1% 不稳定测试 1 输入令牌 123,273 输出令牌 19,362 推理令牌 0 响应时间（平均） 7.67s 响应时间（总计） 122.78s 响应时间（最大） 51.18s 答案错误: 5 额外格式: 4 未遵循指令: 1 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.8 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 常识问答 : 3.0
#238#238	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
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 63.8% 不稳定测试 9 输入令牌 277,028 输出令牌 11,965 推理令牌 31,238 响应时间（平均） 9.69s 响应时间（总计） 222.83s 响应时间（最大） 77.99s 答案错误: 10 无效工具调用: 1 无答案: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 5.5 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#239#239	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 43.5% 不稳定测试 2 输入令牌 278,866 输出令牌 82,069 推理令牌 0 响应时间（平均） 9.66s 响应时间（总计） 222.07s 响应时间（最大） 106.86s 答案错误: 10 额外格式: 2 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 5.6 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#240#240	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
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 50.7% 不稳定测试 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.03s 响应时间（总计） 138.65s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.3 指令遵循 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#241#241	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 39.1% 不稳定测试 3 输入令牌 314,113 输出令牌 17,558 推理令牌 0 响应时间（平均） 7.49s 响应时间（总计） 172.19s 响应时间（最大） 75.99s 答案错误: 14 无答案: 1 智能体任务 : 5.0 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
#242#242	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
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 49.3% 不稳定测试 3 输入令牌 238,785 输出令牌 12,875 推理令牌 0 响应时间（平均） 3.95s 响应时间（总计） 90.76s 响应时间（最大） 50.03s 答案错误: 9 未遵循指令: 3 无答案: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#243#243	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 47.8% 不稳定测试 5 输入令牌 285,293 输出令牌 29,565 推理令牌 89,266 响应时间（平均） 31.58s 响应时间（总计） 536.78s 响应时间（最大） 203.90s 答案错误: 10 未遵循指令: 3 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 6.7 编程 : 5.9 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 2.9 通用智能 : 4.3 指令遵循 : 9.9 谜题求解 : 5.3 工具调用 : 9.8 常识问答 : 3.0
#244#244	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
查看模型卡片总测试数 23 错误测试数 14 可靠性 9.9 尝试通过率 47.8% 不稳定测试 4 输入令牌 202,069 输出令牌 11,961 推理令牌 0 响应时间（平均） 3.58s 响应时间（总计） 82.24s 响应时间（最大） 43.82s 答案错误: 12 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 反AI技巧 : 7.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#245#245	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 33.3% 不稳定测试 1 输入令牌 388,929 输出令牌 57,714 推理令牌 0 响应时间（平均） 7.63s 响应时间（总计） 175.42s 响应时间（最大） 93.47s 答案错误: 13 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 3.1 编程 : 5.4 综合 : 3.8 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#246#246	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 40.6% 不稳定测试 5 输入令牌 393,560 输出令牌 30,777 推理令牌 0 响应时间（平均） 8.60s 响应时间（总计） 197.73s 响应时间（最大） 64.73s 答案错误: 9 额外格式: 4 无答案: 2 未遵循指令: 1 智能体任务 : 4.7 反AI技巧 : 5.3 编程 : 4.6 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 6.4 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#247#247	Nemotron 3 Ultranone	5.9	NVIDIA	$0.157 ↕	6.76s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 40.6% 不稳定测试 2 输入令牌 275,381 输出令牌 11,544 推理令牌 0 响应时间（平均） 6.76s 响应时间（总计） 155.50s 响应时间（最大） 70.17s 答案错误: 12 API 错误: 2 未遵循指令: 1 智能体任务 : 5.0 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
#248#248	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
查看模型卡片总测试数 23 错误测试数 16 可靠性 10.0 尝试通过率 36.2% 不稳定测试 3 输入令牌 410,787 输出令牌 117,742 推理令牌 0 响应时间（平均） 14.70s 响应时间（总计） 338.13s 响应时间（最大） 186.24s 答案错误: 14 未遵循指令: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.8 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 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#249#249	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 40.6% 不稳定测试 3 输入令牌 213,564 输出令牌 7,381 推理令牌 0 响应时间（平均） 4.11s 响应时间（总计） 94.52s 响应时间（最大） 57.98s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 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
#250#250	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.157 ↓	16.63s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.7 尝试通过率 36.2% 不稳定测试 3 输入令牌 337,756 输出令牌 292,779 推理令牌 0 响应时间（平均） 16.63s 响应时间（总计） 382.53s 响应时间（最大） 247.66s 答案错误: 11 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 智能体任务 : 7.4 反AI技巧 : 3.7 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 : 5.5 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0

←

1 9 10 11 16

→

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