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）
#51#51	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.241 ↓	33.27s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.7 尝试通过率 75.4% 不稳定测试 3 输入令牌 282,490 输出令牌 8,621 推理令牌 455,535 响应时间（平均） 33.27s 响应时间（总计） 765.12s 响应时间（最大） 205.53s 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 10.0 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#52#52	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.231 ↓	32.88s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 280,643 输出令牌 7,342 推理令牌 437,323 响应时间（平均） 32.88s 响应时间（总计） 756.34s 响应时间（最大） 276.31s 答案错误: 5 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#53#53	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 78.3% 不稳定测试 3 输入令牌 254,914 输出令牌 10,303 推理令牌 121,928 响应时间（平均） 11.81s 响应时间（总计） 271.60s 响应时间（最大） 56.77s 答案错误: 4 未遵循指令: 3 智能体任务 : 10.0 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
#54#54	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 73.9% 不稳定测试 4 输入令牌 235,207 输出令牌 11,065 推理令牌 69,473 响应时间（平均） 31.29s 响应时间（总计） 531.98s 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 智能体任务 : 10.0 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
#55#55	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.7 尝试通过率 78.3% 不稳定测试 2 输入令牌 348,967 输出令牌 1,005 推理令牌 676,075 响应时间（平均） 166.34s 响应时间（总计） 3825.81s 响应时间（最大） 640.85s 未遵循指令: 2 无答案: 2 答案错误: 2 智能体任务 : 10.0 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
#56#56	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.5 尝试通过率 78.3% 不稳定测试 7 输入令牌 298,476 输出令牌 7,762 推理令牌 515,918 响应时间（平均） 148.11s 响应时间（总计） 3406.53s 响应时间（最大） 904.91s 额外格式: 3 答案错误: 3 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 7.3 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 : 8.4 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 2.8
#57#57	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 79.7% 不稳定测试 5 输入令牌 234,572 输出令牌 8,019 推理令牌 761,563 响应时间（平均） 189.13s 响应时间（总计） 4349.92s 响应时间（最大） 885.33s 答案错误: 5 未遵循指令: 1 无答案: 1 智能体任务 : 10.0 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
#58#58	GPT-6 Sollow	8.7	OpenAI	$0.477	8.72s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 87.0% 不稳定测试 4 输入令牌 172,359 输出令牌 5,026 推理令牌 8,185 响应时间（平均） 8.72s 响应时间（总计） 200.61s 响应时间（最大） 48.43s 答案错误: 5 智能体任务 : 10.0 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 : 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 : 4.7
#59#59	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$0.467 ↓	61.58s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.4 尝试通过率 69.6% 不稳定测试 2 输入令牌 414,054 输出令牌 7,635 推理令牌 900,536 响应时间（平均） 61.58s 响应时间（总计） 1416.24s 响应时间（最大） 335.08s 答案错误: 6 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 10.0 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#60#60	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
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 72.5% 不稳定测试 4 输入令牌 291,368 输出令牌 13,469 推理令牌 108,952 响应时间（平均） 13.21s 响应时间（总计） 303.92s 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 智能体任务 : 10.0 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
#61#61	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 79.7% 不稳定测试 4 输入令牌 342,579 输出令牌 12,848 推理令牌 70,193 响应时间（平均） 14.98s 响应时间（总计） 344.60s 响应时间（最大） 54.92s 答案错误: 3 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 : 10.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 8.7 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#62#62	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 81.2% 不稳定测试 5 输入令牌 345,687 输出令牌 13,550 推理令牌 34,743 响应时间（平均） 10.79s 响应时间（总计） 248.22s 响应时间（最大） 51.53s 答案错误: 5 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 6.5 指令遵循 : 9.9 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#63#63	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
查看模型卡片总测试数 23 错误测试数 5 可靠性 10.0 尝试通过率 85.5% 不稳定测试 3 输入令牌 298,682 输出令牌 8,374 推理令牌 80,549 响应时间（平均） 29.07s 响应时间（总计） 668.66s 响应时间（最大） 207.79s 答案错误: 4 无效工具调用: 1 智能体任务 : 6.1 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 : 5.3 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
#64#64	Grok 4.6high	8.5	X AI	$2.629	87.48s
查看模型卡片总测试数 23 错误测试数 4 可靠性 10.0 尝试通过率 82.6% 不稳定测试 0 输入令牌 376,233 输出令牌 6,687 推理令牌 305,927 响应时间（平均） 87.48s 响应时间（总计） 2012.15s 响应时间（最大） 618.49s 答案错误: 3 无答案: 1 智能体任务 : 5.0 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#65#65	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 82.6% 不稳定测试 5 输入令牌 270,231 输出令牌 13,363 推理令牌 121,332 响应时间（平均） 17.73s 响应时间（总计） 407.75s 响应时间（最大） 78.72s 答案错误: 4 API 错误: 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 : 10.0 编程 : 8.2 综合 : 7.3 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 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#66#66	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 76.8% 不稳定测试 3 输入令牌 353,658 输出令牌 54,891 推理令牌 18,370 响应时间（平均） 15.01s 响应时间（总计） 345.16s 响应时间（最大） 69.26s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 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
#67#67	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
查看模型卡片总测试数 23 错误测试数 6 可靠性 10.0 尝试通过率 85.5% 不稳定测试 4 输入令牌 367,848 输出令牌 8,753 推理令牌 250,279 响应时间（平均） 48.35s 响应时间（总计） 1112.11s 响应时间（最大） 556.06s 答案错误: 5 无效工具调用: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.7 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#68#68	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.6 尝试通过率 73.9% 不稳定测试 2 输入令牌 313,881 输出令牌 123,706 推理令牌 388,328 响应时间（平均） 120.40s 响应时间（总计） 2769.16s 响应时间（最大） 534.21s 答案错误: 5 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 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
#69#69	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 4 输入令牌 214,645 输出令牌 15,532 推理令牌 103,679 响应时间（平均） 29.42s 响应时间（总计） 676.56s 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 智能体任务 : 10.0 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
#70#70	Muse Glimmer 30Bxhigh	8.4	Meta	$0.823 ↑	97.70s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.9 尝试通过率 71.0% 不稳定测试 4 输入令牌 287,538 输出令牌 118,266 推理令牌 346,758 响应时间（平均） 97.70s 响应时间（总计） 2247.18s 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 智能体任务 : 10.0 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
#71#71	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
查看模型卡片总测试数 23 错误测试数 3 可靠性 9.8 尝试通过率 89.9% 不稳定测试 1 输入令牌 176,208 输出令牌 6,093 推理令牌 96,598 响应时间（平均） 22.71s 响应时间（总计） 386.11s 响应时间（最大） 88.68s 答案错误: 2 超时: 1 智能体任务 : 4.7 反AI技巧 : 10.0 编程 : 7.9 综合 : 9.8 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
#72#72	Inklinghigh	8.4	Thinkingmachines	$1.394 ↑	62.72s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 78.3% 不稳定测试 3 输入令牌 240,395 输出令牌 7,169 推理令牌 242,073 响应时间（平均） 62.72s 响应时间（总计） 1442.48s 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 智能体任务 : 10.0 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
#73#73	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 69.6% 不稳定测试 6 输入令牌 336,310 输出令牌 10,838 推理令牌 494,728 响应时间（平均） 37.41s 响应时间（总计） 860.39s 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 智能体任务 : 10.0 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
#74#74	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.578 ↑	118.83s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 76.8% 不稳定测试 5 输入令牌 281,863 输出令牌 24,535 推理令牌 507,976 响应时间（平均） 118.83s 响应时间（总计） 2733.01s 响应时间（最大） 600.61s 答案错误: 5 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 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
#75#75	GLM 5.2high	8.4	Z.ai	$1.644 ↑	69.11s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 71.0% 不稳定测试 3 输入令牌 288,913 输出令牌 79,462 推理令牌 303,120 响应时间（平均） 69.11s 响应时间（总计） 1589.43s 响应时间（最大） 599.43s 答案错误: 5 无答案: 2 未遵循指令: 1 智能体任务 : 10.0 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

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