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）
#301#301	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
查看模型卡片总测试数 23 错误测试数 16 可靠性 9.9 尝试通过率 42.0% 不稳定测试 6 输入令牌 61,094 输出令牌 6,532 推理令牌 53,882 响应时间（平均） 10.21s 响应时间（总计） 234.86s 响应时间（最大） 86.23s 答案错误: 7 额外格式: 4 API 错误: 3 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 7.3 编程 : 3.5 综合 : 6.4 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#302#302	Grok 4.20 Betamedium	4.9	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 63.8% 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 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 5.0 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 常识问答 : 0.0
#303#303	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
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 23.2% 不稳定测试 1 输入令牌 94,733 输出令牌 8,770 推理令牌 0 响应时间（平均） 1.45s 响应时间（总计） 33.24s 响应时间（最大） 12.35s 答案错误: 15 API 错误: 1 未遵循指令: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.1 编程 : 3.6 综合 : 6.5 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 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#304#304	Qwen3 Coder Nextnone	4.9	Qwen	$0.067 ↑	19.73s
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 24.6% 不稳定测试 1 输入令牌 250,329 输出令牌 45,168 推理令牌 0 响应时间（平均） 19.73s 响应时间（总计） 355.09s 响应时间（最大） 208.38s 答案错误: 15 额外格式: 1 未遵循指令: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.6 编程 : 4.6 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 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#305#305	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 27.5% 不稳定测试 6 输入令牌 344,806 输出令牌 177,330 推理令牌 453,213 响应时间（平均） 113.63s 响应时间（总计） 2613.48s 响应时间（最大） 1190.11s 答案错误: 12 无效工具调用: 2 无答案: 2 API 错误: 1 额外格式: 1 未遵循指令: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 5.3 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.6 指令遵循 : 4.6 谜题求解 : 2.9 工具调用 : 10.0 常识问答 : 3.0
#306#306	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
查看模型卡片总测试数 21 错误测试数 7 可靠性不适用尝试通过率 60.9% 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: 4 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.0 综合 : 1.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#307#307	Ling 2.6 1tnone	4.9	Inclusionai	$0.016 ↑	8.16s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 17.4% 不稳定测试 0 输入令牌 106,423 输出令牌 11,555 推理令牌 0 响应时间（平均） 8.16s 响应时间（总计） 163.24s 响应时间（最大） 25.72s 答案错误: 12 API 错误: 4 未遵循指令: 2 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 3.4 编程 : 3.8 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 6.4 谜题求解 : 3.1 工具调用 : 3.0 常识问答 : 3.0
#308#308	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
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 26.1% 不稳定测试 2 输入令牌 276,608 输出令牌 33,960 推理令牌 0 响应时间（平均） 9.88s 响应时间（总计） 227.24s 响应时间（最大） 124.23s 答案错误: 14 额外格式: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#309#309	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.8 尝试通过率 18.8% 不稳定测试 1 输入令牌 307,670 输出令牌 70,427 推理令牌 0 响应时间（平均） 37.19s 响应时间（总计） 855.27s 响应时间（最大） 433.02s 答案错误: 15 未遵循指令: 2 无效工具调用: 2 智能体任务 : 3.9 反AI技巧 : 3.1 编程 : 3.9 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#310#310	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
查看模型卡片总测试数 23 错误测试数 20 可靠性 6.2 尝试通过率 15.9% 不稳定测试 1 输入令牌 185,167 输出令牌 9,430 推理令牌 0 响应时间（平均） 40.38s 响应时间（总计） 928.76s 响应时间（最大） 95.32s 答案错误: 14 API 错误: 2 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 5.0 反AI技巧 : 3.3 编程 : 3.8 综合 : 3.0 数据解析与提取 : 8.7 领域专项 : 6.8 通用智能 : 5.1 指令遵循 : 7.0 谜题求解 : 4.6 工具调用 : 3.0 常识问答 : 3.0
#311#311	Mimo V2 Omnimedium	4.9	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 50.7% 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 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 3.3 综合 : 5.0 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
#312#312	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
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 50.7% 不稳定测试 2 输入令牌 25,987 输出令牌 216,719 推理令牌 0 响应时间（平均） 56.57s 响应时间（总计） 848.59s 响应时间（最大） 149.94s API 错误: 7 答案错误: 3 智能体任务 : 0.0 反AI技巧 : 6.4 编程 : 5.3 综合 : 5.0 数据解析与提取 : 6.5 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#313#313	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
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 29.0% 不稳定测试 3 输入令牌 255,363 输出令牌 27,395 推理令牌 0 响应时间（平均） 13.04s 响应时间（总计） 221.61s 响应时间（最大） 97.15s 答案错误: 15 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 5.2 编程 : 4.3 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#314#314	Mercury 2.5 Previewnone	4.7	Inception	$0.023 ↑	7.05s
查看模型卡片总测试数 23 错误测试数 19 可靠性 9.9 尝试通过率 29.0% 不稳定测试 5 输入令牌 250,541 输出令牌 86,367 推理令牌 0 响应时间（平均） 7.05s 响应时间（总计） 162.25s 响应时间（最大） 84.96s 答案错误: 16 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.9 反AI技巧 : 3.8 编程 : 4.7 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#315#315	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.137 ↕	81.93s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.8 尝试通过率 47.8% 不稳定测试 12 输入令牌 195,780 输出令牌 167,746 推理令牌 598,384 响应时间（平均） 81.93s 响应时间（总计） 1884.31s 响应时间（最大） 437.11s 答案错误: 13 未遵循指令: 3 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 6.9 编程 : 4.4 综合 : 6.2 数据解析与提取 : 3.7 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 8.5 谜题求解 : 4.2 工具调用 : 10.0 常识问答 : 3.0
#316#316	North Mini Codenone	4.7	Cohere	$0.000	29.47s
查看模型卡片总测试数 23 错误测试数 19 可靠性 8.9 尝试通过率 17.4% 不稳定测试 0 输入令牌 177,989 输出令牌 26,954 推理令牌 0 响应时间（平均） 29.47s 响应时间（总计） 677.70s 响应时间（最大） 159.85s 答案错误: 13 额外格式: 2 未遵循指令: 2 无效工具调用: 2 智能体任务 : 3.0 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#317#317	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
查看模型卡片总测试数 23 错误测试数 21 可靠性 10.0 尝试通过率 14.5% 不稳定测试 3 输入令牌 287,445 输出令牌 99,097 推理令牌 0 响应时间（平均） 17.65s 响应时间（总计） 406.05s 响应时间（最大） 200.52s 答案错误: 18 未遵循指令: 2 无答案: 1 智能体任务 : 5.4 反AI技巧 : 3.1 编程 : 3.4 综合 : 2.9 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 4.3 谜题求解 : 3.1 工具调用 : 4.7 常识问答 : 3.0
#318#318	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
#319#319	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 24.6% 不稳定测试 4 输入令牌 311,647 输出令牌 40,395 推理令牌 0 响应时间（平均） 16.97s 响应时间（总计） 305.55s 响应时间（最大） 151.35s 答案错误: 15 未遵循指令: 3 无答案: 1 超时: 1 智能体任务 : 5.0 反AI技巧 : 3.5 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 6.3 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#320#320	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
查看模型卡片总测试数 23 错误测试数 17 可靠性 10.0 尝试通过率 34.8% 不稳定测试 5 输入令牌 342,158 输出令牌 57,866 推理令牌 0 响应时间（平均） 22.44s 响应时间（总计） 516.03s 响应时间（最大） 122.50s 答案错误: 9 API 错误: 3 额外格式: 2 无效工具调用: 2 未遵循指令: 1 智能体任务 : 3.0 反AI技巧 : 3.2 编程 : 3.1 综合 : 4.8 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#321#321	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
查看模型卡片总测试数 23 错误测试数 19 可靠性 10.0 尝试通过率 26.1% 不稳定测试 4 输入令牌 246,687 输出令牌 14,894 推理令牌 0 响应时间（平均） 4.42s 响应时间（总计） 101.75s 响应时间（最大） 45.38s 答案错误: 16 未遵循指令: 2 无答案: 1 智能体任务 : 3.9 反AI技巧 : 3.5 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#322#322	Gemini 3.1 Flash Litehigh	4.6	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 53.6% 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 智能体任务 : 0.0 反AI技巧 : 8.7 编程 : 3.3 综合 : 5.0 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 常识问答 : 0.0
#323#323	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
查看模型卡片总测试数 21 错误测试数 13 可靠性 10.0 尝试通过率 34.8% 不稳定测试 0 输入令牌 37,100 输出令牌 1,766 推理令牌 0 响应时间（平均） 2.99s 响应时间（总计） 62.74s 响应时间（最大） 6.51s 答案错误: 11 未遵循指令: 2 智能体任务 : 0.0 反AI技巧 : 4.8 编程 : 5.5 综合 : 1.5 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.6 指令遵循 : 6.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#324#324	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
查看模型卡片总测试数 23 错误测试数 20 可靠性 10.0 尝试通过率 23.2% 不稳定测试 6 输入令牌 232,641 输出令牌 69,335 推理令牌 426,182 响应时间（平均） 88.24s 响应时间（总计） 2029.57s 响应时间（最大） 814.73s 答案错误: 16 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 2.8 反AI技巧 : 3.4 编程 : 3.8 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 4.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#325#325	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.123 ↕	83.19s
查看模型卡片总测试数 23 错误测试数 18 可靠性 9.5 尝试通过率 40.6% 不稳定测试 9 输入令牌 207,883 输出令牌 144,718 推理令牌 525,897 响应时间（平均） 83.19s 响应时间（总计） 1913.41s 响应时间（最大） 597.61s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 超时: 1 智能体任务 : 3.5 反AI技巧 : 6.9 编程 : 4.0 综合 : 6.3 数据解析与提取 : 2.9 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 8.4 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0

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