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：: 2026-07-02 已评估模型: 174

174/174

排名	模型	分数	公司	总成本	响应时间（平均）
#31#31	Qwen3.6 Plusmedium	7.8	Qwen	$0.294 ↑	30.70s
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 69.8% 不稳定测试 2 输入令牌 41,565 输出令牌 1,853 推理令牌 141,973 响应时间（平均） 30.70s 响应时间（总计） 613.99s 响应时间（最大） 201.68s 答案错误: 5 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 6.1 综合 : 10.0 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#32#32	Claude Sonnet 4.6medium	7.8	Anthropic	$1.418	17.06s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 49,112 输出令牌 54,703 推理令牌 29,970 响应时间（平均） 17.06s 响应时间（总计） 221.83s 响应时间（最大） 46.35s 答案错误: 4 额外格式: 3 超时: 1 反AI技巧 : 6.5 编程 : 5.7 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
#33#33	Gemini 3.1 Flash Lite Previewmedium	7.8	Google	$0.068	3.96s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 61.9% 不稳定测试 0 输入令牌 37,786 输出令牌 2,210 推理令牌 36,744 响应时间（平均） 3.96s 响应时间（总计） 83.06s 响应时间（最大） 14.93s 答案错误: 7 未遵循指令: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 10.0 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#34#34	Qwen3.5 Plus 2026-04-20medium	7.8	Qwen	$0.317 ↓	46.36s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 2 输入令牌 42,097 输出令牌 2,280 推理令牌 166,613 响应时间（平均） 46.36s 响应时间（总计） 973.57s 响应时间（最大） 189.38s 答案错误: 8 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.9 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#35#35	Gemini 3.1 Flash Litemedium	7.8	Google	$0.071	3.23s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 65.1% 不稳定测试 2 输入令牌 36,808 输出令牌 2,254 推理令牌 38,300 响应时间（平均） 3.23s 响应时间（总计） 67.80s 响应时间（最大） 10.87s 答案错误: 7 未遵循指令: 1 反AI技巧 : 9.1 编程 : 5.5 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#36#36	Kimi K2.6medium	7.8	Moonshot AI	$0.888 ↓	71.67s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 65.1% 不稳定测试 3 输入令牌 29,450 输出令牌 102,923 推理令牌 254,094 响应时间（平均） 71.67s 响应时间（总计） 1433.36s 响应时间（最大） 406.78s 超时: 3 答案错误: 3 未遵循指令: 2 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 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 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#37#37	Qwen3.5-122B-A10Bmedium	7.7	Qwen	$0.588 ↓	42.49s
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 73.0% 不稳定测试 3 输入令牌 41,832 输出令牌 26,187 推理令牌 251,028 响应时间（平均） 42.49s 响应时间（总计） 892.30s 响应时间（最大） 168.16s 答案错误: 5 超时: 2 反AI技巧 : 10.0 编程 : 6.0 综合 : 10.0 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#38#38	Claude Opus 4.8low	7.7	Anthropic	$1.270	10.83s
查看模型卡片总测试数 21 错误测试数 6 可靠性 10.0 尝试通过率 79.4% 不稳定测试 3 输入令牌 60,946 输出令牌 31,771 推理令牌 6,831 响应时间（平均） 10.83s 响应时间（总计） 227.39s 响应时间（最大） 127.97s 答案错误: 4 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.6 综合 : 9.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#39#39	Grok 4.3medium	7.7	X AI	$0.614	47.51s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 71.4% 不稳定测试 4 输入令牌 44,472 输出令牌 1,981 推理令牌 221,382 响应时间（平均） 47.51s 响应时间（总计） 997.68s 响应时间（最大） 216.69s 答案错误: 5 未遵循指令: 2 额外格式: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#40#40	Claude Opus 4.6medium	7.7	Anthropic	$2.053	25.89s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 61.9% 不稳定测试 3 输入令牌 53,227 输出令牌 47,446 推理令牌 24,000 响应时间（平均） 25.89s 响应时间（总计） 362.49s 响应时间（最大） 83.40s 额外格式: 5 答案错误: 3 未遵循指令: 1 反AI技巧 : 6.4 编程 : 5.7 综合 : 10.0 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#41#41	Step 3.7 Flashlow	7.7	Stepfun	$0.341	15.74s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 40,101 输出令牌 289,325 推理令牌 0 响应时间（平均） 15.74s 响应时间（总计） 330.63s 响应时间（最大） 124.75s 答案错误: 8 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 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#42#42	MiniMax M3medium	7.6	Minimax	$0.131	68.17s
查看模型卡片总测试数 21 错误测试数 10 可靠性 9.6 尝试通过率 65.1% 不稳定测试 5 输入令牌 46,546 输出令牌 49,036 推理令牌 92,543 响应时间（平均） 68.17s 响应时间（总计） 1363.38s 响应时间（最大） 431.03s 超时: 3 答案错误: 3 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.5 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
#43#43	DeepSeek V4 Prohigh	7.6	DeepSeek	$0.157	77.20s
查看模型卡片总测试数 21 错误测试数 12 可靠性 9.3 尝试通过率 66.7% 不稳定测试 8 输入令牌 38,726 输出令牌 6,334 推理令牌 159,151 响应时间（平均） 77.20s 响应时间（总计） 1621.17s 响应时间（最大） 416.76s 答案错误: 6 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 超时: 1 反AI技巧 : 5.7 编程 : 6.1 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 : 7.8 谜题求解 : 6.9 工具调用 : 9.8 常识问答 : 3.0
#44#44	Grok Build 0.1medium	7.6	X AI	$0.927	49.90s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 61.9% 不稳定测试 0 输入令牌 44,418 输出令牌 2,782 推理令牌 438,018 响应时间（平均） 49.90s 响应时间（总计） 1047.92s 响应时间（最大） 252.69s 答案错误: 5 额外格式: 3 反AI技巧 : 8.3 编程 : 5.7 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#45#45	Kimi K2.5medium	7.5	Moonshot AI	$0.348 ↓	98.43s
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 68.3% 不稳定测试 8 输入令牌 34,312 输出令牌 48,379 推理令牌 157,747 响应时间（平均） 98.43s 响应时间（总计） 1378.03s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 反AI技巧 : 7.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 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
#46#46	Mercury 2medium	7.5	Inception	$0.058	2.24s
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 54.0% 不稳定测试 3 输入令牌 35,116 输出令牌 4,048 推理令牌 61,219 响应时间（平均） 2.24s 响应时间（总计） 44.72s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 反AI技巧 : 6.9 编程 : 8.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#47#47	GPT-5.3 Chatnone	7.5	OpenAI	$0.433	6.34s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 5 输入令牌 34,209 输出令牌 26,617 推理令牌 0 响应时间（平均） 6.34s 响应时间（总计） 133.13s 响应时间（最大） 18.33s 答案错误: 7 未遵循指令: 2 反AI技巧 : 6.7 编程 : 5.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#48#48	GPT-5.4 Nanomedium	7.5	OpenAI	$0.107	11.95s
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 63.5% 不稳定测试 4 输入令牌 35,434 输出令牌 3,014 推理令牌 76,520 响应时间（平均） 11.95s 响应时间（总计） 250.98s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 4.1 工具调用 : 10.0 常识问答 : 3.0
#49#49	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 71.4% 不稳定测试 5 输入令牌 42,362 输出令牌 2,995 推理令牌 245,358 响应时间（平均） 19.25s 响应时间（总计） 404.20s 响应时间（最大） 122.87s 答案错误: 8 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#50#50	DeepSeek V3.2medium	7.5	DeepSeek	$0.044 ↓	68.71s
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 65.1% 不稳定测试 6 输入令牌 38,333 输出令牌 7,186 推理令牌 99,081 响应时间（平均） 68.71s 响应时间（总计） 1442.81s 响应时间（最大） 376.10s 答案错误: 5 API 错误: 2 超时: 2 未遵循指令: 1 反AI技巧 : 8.2 编程 : 6.0 综合 : 10.0 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 : 7.0 工具调用 : 10.0 常识问答 : 3.0
#51#51	Claude Opus 4.7none	7.4	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 76.2% 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 : 3.3 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
#52#52	Seed-2.0-Minimedium	7.4	Bytedance Seed	$0.044	80.22s
查看模型卡片总测试数 21 错误测试数 10 可靠性 6.7 尝试通过率 57.1% 不稳定测试 2 输入令牌 41,904 输出令牌 2,555 推理令牌 95,974 响应时间（平均） 80.22s 响应时间（总计） 1363.72s 响应时间（最大） 262.83s 超时: 5 答案错误: 4 未遵循指令: 1 反AI技巧 : 6.6 编程 : 5.5 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#53#53	MiMo-V2.5-Promedium	7.4	Xiaomi	$0.106 ↓	26.13s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 68.3% 不稳定测试 4 输入令牌 40,854 输出令牌 5,015 推理令牌 97,742 响应时间（平均） 26.13s 响应时间（总计） 548.65s 响应时间（最大） 130.77s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#54#54	Gemini 3 Flash Previewlow	7.4	Google	$0.111	5.76s
查看模型卡片总测试数 21 错误测试数 5 可靠性 10.0 尝试通过率 79.4% 不稳定测试 2 输入令牌 36,769 输出令牌 2,076 推理令牌 28,518 响应时间（平均） 5.76s 响应时间（总计） 120.93s 响应时间（最大） 14.72s 答案错误: 5 反AI技巧 : 10.0 编程 : 5.8 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
#55#55	Grok 4.20medium	7.3	X AI	$0.609 ↓	27.68s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 63.5% 不稳定测试 3 输入令牌 44,433 输出令牌 1,819 推理令牌 219,524 响应时间（平均） 27.68s 响应时间（总计） 581.26s 响应时间（最大） 199.66s 答案错误: 6 未遵循指令: 2 额外格式: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.9 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#56#56	Hy3 previewmedium	7.3	Tencent	$0.018 ↕	16.28s
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 66.7% 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 API 错误: 3 答案错误: 3 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.3 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
#57#57	Claude Sonnet 4.6none	7.3	Anthropic	$0.316	5.04s
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 55.6% 不稳定测试 1 输入令牌 57,886 输出令牌 9,465 推理令牌 0 响应时间（平均） 5.04s 响应时间（总计） 70.60s 响应时间（最大） 23.84s 答案错误: 5 额外格式: 4 未遵循指令: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.5 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
#58#58	GLM 5V Turbomedium	7.3	Z.ai	$0.457	23.08s
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 68.3% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.0 综合 : 6.9 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 : 7.7 工具调用 : 7.0 常识问答 : 3.0
#59#59	Claude Opus 4.8none	7.2	Anthropic	$0.539	3.48s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 61.9% 不稳定测试 2 输入令牌 67,104 输出令牌 8,107 推理令牌 0 响应时间（平均） 3.48s 响应时间（总计） 73.00s 响应时间（最大） 17.73s 答案错误: 4 额外格式: 3 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 9.5 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 : 9.9 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#60#60	DeepSeek V4 Pronone	7.2	DeepSeek	$0.034	6.41s
查看模型卡片总测试数 21 错误测试数 11 可靠性 9.9 尝试通过率 52.4% 不稳定测试 3 输入令牌 53,558 输出令牌 11,424 推理令牌 0 响应时间（平均） 6.41s 响应时间（总计） 134.66s 响应时间（最大） 30.09s 答案错误: 8 未遵循指令: 2 额外格式: 1 反AI技巧 : 3.2 编程 : 5.6 综合 : 9.5 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0

←

1 2 3 4 5 6

→

快速对比

Gemini 3.5 FlashhighvsGemini 3 Flash Previewmedium Gemini 3.5 FlashhighvsQwen3.7 Maxmedium Gemini 3.5 FlashhighvsGPT-5.5low Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashhighvsClaude Fable 5medium Gemini 3.5 FlashhighvsGemini 3.1 Pro Previewmedium Gemini 3.5 FlashhighvsNemotron 3 Ultra 550b A55bmedium免费可用 Gemini 3.5 FlashhighvsNorth Mini Codemedium免费可用 Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsClaude Fable 5medium

AI 基准排行榜

筛选模型

快速对比