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：: 2026-08-15 已评估模型: 287

287/287

排名	模型	分数	公司	总成本	响应时间（平均）
#31#31	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 74.2% 不稳定测试 4 输入令牌 123,680 输出令牌 7,222 推理令牌 271,442 响应时间（平均） 19.67s 响应时间（总计） 432.72s 响应时间（最大） 142.49s 未遵循指令: 3 答案错误: 3 额外格式: 1 无效工具调用: 1 反AI技巧 : 7.3 编程 : 10.0 综合 : 8.5 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 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#32#32	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 72.7% 不稳定测试 2 输入令牌 142,147 输出令牌 7,905 推理令牌 284,247 响应时间（平均） 26.25s 响应时间（总计） 577.47s 响应时间（最大） 165.38s 答案错误: 4 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.3 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 : 6.5 谜题求解 : 7.9 工具调用 : 9.8 常识问答 : 3.0
#33#33	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 78.8% 不稳定测试 1 输入令牌 89,640 输出令牌 33,092 推理令牌 9,054 响应时间（平均） 15.01s 响应时间（总计） 330.15s 响应时间（最大） 80.80s 无答案: 3 无效工具调用: 1 答案错误: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#34#34	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 2 输入令牌 79,249 输出令牌 5,097 推理令牌 165,276 响应时间（平均） 66.52s 响应时间（总计） 1463.50s 响应时间（最大） 238.07s 答案错误: 4 超时: 1 反AI技巧 : 10.0 编程 : 8.8 综合 : 7.3 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 : 3.0
#35#35	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 80.3% 不稳定测试 3 输入令牌 99,181 输出令牌 6,132 推理令牌 77,689 响应时间（平均） 21.83s 响应时间（总计） 480.37s 响应时间（最大） 155.75s 答案错误: 5 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.4 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 : 10.0 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#36#36	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 4 输入令牌 81,136 输出令牌 6,155 推理令牌 84,311 响应时间（平均） 22.85s 响应时间（总计） 502.78s 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 : 8.8 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
#37#37	Grok 4.5medium	8.5	X AI	$2.042	68.59s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 83.3% 不稳定测试 3 输入令牌 122,155 输出令牌 5,514 推理令牌 293,946 响应时间（平均） 68.59s 响应时间（总计） 1508.91s 响应时间（最大） 436.38s 答案错误: 5 反AI技巧 : 10.0 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 : 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
#38#38	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 3 输入令牌 101,811 输出令牌 8,025 推理令牌 115,938 响应时间（平均） 9.77s 响应时间（总计） 214.83s 响应时间（最大） 47.80s 答案错误: 4 未遵循指令: 3 反AI技巧 : 9.2 编程 : 8.4 综合 : 9.8 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 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#39#39	Grok 4.6medium	8.4	X AI	$1.713	73.46s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 81.8% 不稳定测试 4 输入令牌 106,787 输出令牌 4,811 推理令牌 244,997 响应时间（平均） 73.46s 响应时间（总计） 1616.12s 响应时间（最大） 514.35s 答案错误: 5 未遵循指令: 1 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 : 4.1 指令遵循 : 9.8 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#40#40	Grok 4.5low	8.4	X AI	$0.945	16.17s
查看模型卡片总测试数 22 错误测试数 6 可靠性 10.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 125,605 输出令牌 7,505 推理令牌 107,984 响应时间（平均） 16.17s 响应时间（总计） 355.67s 响应时间（最大） 205.28s 答案错误: 6 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.5 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#41#41	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 72.7% 不稳定测试 4 输入令牌 105,013 输出令牌 9,914 推理令牌 61,338 响应时间（平均） 28.51s 响应时间（总计） 456.13s 响应时间（最大） 116.86s 未遵循指令: 3 答案错误: 3 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 : 7.5 工具调用 : 4.7 常识问答 : 3.0
#42#42	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.6 尝试通过率 77.3% 不稳定测试 2 输入令牌 100,179 输出令牌 904 推理令牌 655,731 响应时间（平均） 167.89s 响应时间（总计） 3693.54s 响应时间（最大） 640.85s 未遵循指令: 2 无答案: 2 答案错误: 2 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
#43#43	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 78.8% 不稳定测试 5 输入令牌 104,433 输出令牌 6,511 推理令牌 752,680 响应时间（平均） 193.59s 响应时间（总计） 4258.98s 响应时间（最大） 885.33s 答案错误: 5 未遵循指令: 1 无答案: 1 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
#44#44	Inkling Smallhigh	8.4	Thinkingmachines	$0.398 ↓	30.43s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 69.7% 不稳定测试 2 输入令牌 85,669 输出令牌 6,092 推理令牌 292,801 响应时间（平均） 30.43s 响应时间（总计） 669.38s 响应时间（最大） 122.60s 答案错误: 6 未遵循指令: 2 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.3 指令遵循 : 9.8 谜题求解 : 4.8 工具调用 : 3.0 常识问答 : 3.0
#45#45	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 71.2% 不稳定测试 4 输入令牌 141,878 输出令牌 11,033 推理令牌 105,456 响应时间（平均） 11.89s 响应时间（总计） 261.69s 响应时间（最大） 54.15s 答案错误: 5 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 10.0 综合 : 6.6 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 : 7.3 谜题求解 : 8.3 工具调用 : 9.8 常识问答 : 3.0
#46#46	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 71.2% 不稳定测试 1 输入令牌 132,507 输出令牌 12,739 推理令牌 228,626 响应时间（平均） 21.14s 响应时间（总计） 465.10s 响应时间（最大） 140.50s 答案错误: 6 未遵循指令: 1 反AI技巧 : 8.4 编程 : 7.8 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 常识问答 : 3.0
#47#47	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 75.8% 不稳定测试 3 输入令牌 145,953 输出令牌 52,330 推理令牌 10,874 响应时间（平均） 12.54s 响应时间（总计） 275.90s 响应时间（最大） 66.71s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 9.0 综合 : 7.3 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#48#48	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.4 尝试通过率 72.7% 不稳定测试 2 输入令牌 113,279 输出令牌 121,045 推理令牌 374,496 响应时间（平均） 118.97s 响应时间（总计） 2617.41s 响应时间（最大） 534.21s 答案错误: 4 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 7.8 综合 : 8.2 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 6.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#49#49	GPT-5 Minimedium	8.1	OpenAI	$0.241	27.64s
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 65.2% 不稳定测试 4 输入令牌 98,383 输出令牌 14,409 推理令牌 93,610 响应时间（平均） 27.64s 响应时间（总计） 608.02s 响应时间（最大） 111.48s 答案错误: 5 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 7.1 编程 : 10.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.5 指令遵循 : 10.0 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#50#50	Muse Glimmer 30Bxhigh	8.1	Meta	$0.635	95.55s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.9 尝试通过率 69.7% 不稳定测试 4 输入令牌 110,930 输出令牌 116,373 推理令牌 330,471 响应时间（平均） 95.55s 响应时间（总计） 2102.12s 响应时间（最大） 576.79s 答案错误: 4 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 6.0 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 : 8.4 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#51#51	Inklinghigh	8.0	Thinkingmachines	$1.041 ↓	62.57s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 77.3% 不稳定测试 3 输入令牌 86,755 输出令牌 6,057 推理令牌 230,570 响应时间（平均） 62.57s 响应时间（总计） 1376.46s 响应时间（最大） 327.51s 答案错误: 4 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 8.5 综合 : 7.3 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 : 9.8 谜题求解 : 6.9 工具调用 : 3.0 常识问答 : 3.0
#52#52	Muse Spark 1.1high	8.0	Meta	$1.709	30.84s
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 68.2% 不稳定测试 6 输入令牌 129,003 输出令牌 8,340 推理令牌 355,649 响应时间（平均） 30.84s 响应时间（总计） 647.67s 响应时间（最大） 196.03s 答案错误: 3 未遵循指令: 2 无效工具调用: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 7.5 编程 : 10.0 综合 : 5.9 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 : 6.4 谜题求解 : 7.8 工具调用 : 9.6 常识问答 : 3.0
#53#53	DeepSeek V4 Flash 0731low	8.0	DeepSeek	$0.072	77.55s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 71.2% 不稳定测试 5 输入令牌 93,345 输出令牌 35,723 推理令牌 350,266 响应时间（平均） 77.55s 响应时间（总计） 1706.18s 响应时间（最大） 438.65s 答案错误: 7 未遵循指令: 1 无答案: 1 反AI技巧 : 8.2 编程 : 7.3 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 8.0 工具调用 : 10.0 常识问答 : 3.0
#54#54	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.134	114.94s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 75.8% 不稳定测试 5 输入令牌 96,702 输出令牌 16,966 推理令牌 496,341 响应时间（平均） 114.94s 响应时间（总计） 2528.65s 响应时间（最大） 600.61s 答案错误: 4 未遵循指令: 2 API 错误: 1 无答案: 1 反AI技巧 : 8.7 编程 : 6.3 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#55#55	GLM 5.2high	8.0	Z.ai	$0.603 ↓	69.86s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 69.7% 不稳定测试 3 输入令牌 83,822 输出令牌 72,040 推理令牌 292,615 响应时间（平均） 69.86s 响应时间（总计） 1536.98s 响应时间（最大） 599.43s 超时: 3 无答案: 2 答案错误: 2 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.1 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#56#56	Inklingmedium	8.0	Thinkingmachines	$0.377 ↓	15.66s
查看模型卡片总测试数 22 错误测试数 7 可靠性 10.0 尝试通过率 75.8% 不稳定测试 4 输入令牌 124,062 输出令牌 12,190 推理令牌 51,652 响应时间（平均） 15.66s 响应时间（总计） 344.52s 响应时间（最大） 85.12s 答案错误: 4 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.4 综合 : 7.3 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 : 2.8
#57#57	GPT-5.6 Terrahigh	8.0	OpenAI	$0.418 ↓	11.22s
查看模型卡片总测试数 22 错误测试数 8 可靠性 10.0 尝试通过率 68.2% 不稳定测试 2 输入令牌 81,056 输出令牌 5,055 推理令牌 51,033 响应时间（平均） 11.22s 响应时间（总计） 246.77s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 反AI技巧 : 8.3 编程 : 7.6 综合 : 8.7 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#58#58	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
查看模型卡片总测试数 22 错误测试数 6 可靠性 9.0 尝试通过率 77.3% 不稳定测试 2 输入令牌 34,960 输出令牌 2,887 推理令牌 221,241 响应时间（平均） 142.84s 响应时间（总计） 2714.02s 响应时间（最大） 766.58s API 错误: 2 无答案: 2 额外格式: 1 超时: 1 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
#59#59	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 69.7% 不稳定测试 4 输入令牌 101,104 输出令牌 29,742 推理令牌 0 响应时间（平均） 7.73s 响应时间（总计） 162.40s 响应时间（最大） 38.52s 答案错误: 6 API 错误: 1 未遵循指令: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#60#60	Step 3.7 Flashmedium	7.9	Stepfun	$0.495	23.51s
查看模型卡片总测试数 22 错误测试数 9 可靠性 10.0 尝试通过率 68.2% 不稳定测试 3 输入令牌 114,191 输出令牌 409,709 推理令牌 0 响应时间（平均） 23.51s 响应时间（总计） 517.21s 响应时间（最大） 152.83s 答案错误: 6 未遵循指令: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 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 : 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 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy 排行榜

推荐模型

筛选模型

快速对比