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）
#61#61	Gemma 4 26B A4Bmedium	7.2	Google	$0.045 ↓	63.41s
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 40,252 输出令牌 28,000 推理令牌 100,490 响应时间（平均） 63.41s 响应时间（总计） 1268.28s 响应时间（最大） 369.32s 答案错误: 3 无答案: 2 超时: 2 反AI技巧 : 10.0 编程 : 2.9 综合 : 9.6 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
#62#62	Qwen3.7 Plusnone	7.2	Qwen	$0.023 ↓	2.85s
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 47.6% 不稳定测试 0 输入令牌 42,510 输出令牌 6,578 推理令牌 0 响应时间（平均） 2.85s 响应时间（总计） 59.86s 响应时间（最大） 29.38s 答案错误: 10 未遵循指令: 1 反AI技巧 : 6.5 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 : 5.3 指令遵循 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#63#63	GLM 5.2none	7.1	Z.ai	$0.051 ↓	6.34s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.9 尝试通过率 60.3% 不稳定测试 1 输入令牌 38,671 输出令牌 4,817 推理令牌 0 响应时间（平均） 6.34s 响应时间（总计） 133.19s 响应时间（最大） 20.69s 答案错误: 8 未遵循指令: 1 反AI技巧 : 8.3 编程 : 3.7 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#64#64	MiMo-V2-Flashmedium	7.1	Xiaomi	$0.043 ↑	20.11s
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 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 8.1 编程 : 6.0 综合 : 9.8 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#65#65	Step 3.7 Flashhigh	7.1	Stepfun	$1.148	64.46s
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 38,391 输出令牌 991,355 推理令牌 0 响应时间（平均） 64.46s 响应时间（总计） 1353.57s 响应时间（最大） 364.99s 答案错误: 6 无答案: 4 反AI技巧 : 10.0 编程 : 4.0 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 5.5 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#66#66	GLM 5.1medium	7.1	Z.ai	$0.395 ↑	33.67s
查看模型卡片总测试数 21 错误测试数 9 可靠性 6.7 尝试通过率 68.3% 不稳定测试 4 输入令牌 32,995 输出令牌 11,655 推理令牌 75,421 响应时间（平均） 33.67s 响应时间（总计） 673.41s 响应时间（最大） 172.60s 答案错误: 4 超时: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.5 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#67#67	Laguna XS 2.1medium	7.0	Poolside	$0.036	30.08s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 44.4% 不稳定测试 1 输入令牌 45,324 输出令牌 25,761 推理令牌 268,677 响应时间（平均） 30.08s 响应时间（总计） 631.77s 响应时间（最大） 155.23s 答案错误: 11 无答案: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 9.6 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.0 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#68#68	Kimi K2.7 Codemedium	7.0	Moonshot AI	$0.583 ↓	83.60s
查看模型卡片总测试数 21 错误测试数 10 可靠性 9.2 尝试通过率 66.7% 不稳定测试 6 输入令牌 25,991 输出令牌 80,516 推理令牌 161,391 响应时间（平均） 83.60s 响应时间（总计） 1671.99s 响应时间（最大） 365.80s 答案错误: 5 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 7.3 编程 : 7.6 综合 : 4.7 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 : 5.9 工具调用 : 3.0 常识问答 : 3.0
#69#69	Gemini 3.5 Flashnone	7.0	Google	$1.079	9.93s
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 77.8% 不稳定测试 3 输入令牌 13,843 输出令牌 117,518 推理令牌 0 响应时间（平均） 9.93s 响应时间（总计） 178.68s 响应时间（最大） 64.36s API 错误: 3 答案错误: 3 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 : 7.6 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
#70#70	Gemini 3 Flash Previewnone	6.9	Google	$0.025	1.65s
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 37,011 输出令牌 1,885 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 23.07s 响应时间（最大） 3.56s 答案错误: 8 反AI技巧 : 8.3 编程 : 5.5 综合 : 4.7 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#71#71	Qwen3.7 Maxnone	6.9	Qwen	$0.054 ↓	1.30s
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 37,107 输出令牌 1,994 推理令牌 0 响应时间（平均） 1.30s 响应时间（总计） 27.21s 响应时间（最大） 3.92s 答案错误: 7 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.0 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
#72#72	Grok 4.20 Betamedium	6.8	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 69.8% 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 反AI技巧 : 8.7 编程 : 3.3 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 : 3.0 常识问答 : 0.0
#73#73	Qwen3.5-Flashmedium	6.8	Qwen	$0.080 ↓	63.29s
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 38,926 输出令牌 2,088 推理令牌 294,598 响应时间（平均） 63.29s 响应时间（总计） 1265.85s 响应时间（最大） 234.29s 答案错误: 4 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 10.0 编程 : 3.7 综合 : 10.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 6.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#74#74	Gemini 3.5 Flashminimal	6.8	Google	$0.108	1.57s
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 68.3% 不稳定测试 1 输入令牌 39,847 输出令牌 5,277 推理令牌 0 响应时间（平均） 1.57s 响应时间（总计） 33.02s 响应时间（最大） 5.51s 答案错误: 5 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 6.5 编程 : 5.6 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 10.0 通用智能 : 10.0 指令遵循 : 6.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#75#75	Ring-2.6-1Tmedium	6.8	Inclusionai	$0.033 ↕	61.29s
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 60.3% 不稳定测试 3 输入令牌 35,892 输出令牌 21,752 推理令牌 42,754 响应时间（平均） 61.29s 响应时间（总计） 1164.50s 响应时间（最大） 304.19s 答案错误: 6 API 错误: 2 未遵循指令: 2 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 : 3.5 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#76#76	Mimo V2 Omnimedium	6.8	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 55.6% 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 反AI技巧 : 10.0 编程 : 3.3 综合 : 10.0 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
#77#77	Hy3 previewhigh	6.8	Tencent	$0.048 ↕	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 55.6% 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 反AI技巧 : 6.4 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 : 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
#78#78	Qwen3.6 35B A3Bmedium	6.7	Qwen	$0.146 ↑	18.08s
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 63.5% 不稳定测试 1 输入令牌 16,385 输出令牌 19,632 推理令牌 130,219 响应时间（平均） 18.08s 响应时间（总计） 343.61s 响应时间（最大） 86.11s 答案错误: 4 API 错误: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 7.7 综合 : 3.0 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 : 10.0 谜题求解 : 8.0 工具调用 : 3.0 常识问答 : 3.0
#79#79	MiMo-V2.5medium	6.7	Xiaomi	$0.061 ↓	27.11s
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 69.8% 不稳定测试 5 输入令牌 41,838 输出令牌 2,827 推理令牌 198,898 响应时间（平均） 27.11s 响应时间（总计） 569.38s 响应时间（最大） 162.44s 答案错误: 5 额外格式: 2 未遵循指令: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 10.0 数据解析与提取 : 2.7 领域专项 : 5.3 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#80#80	Mimo V2 PROmedium	6.7	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 73.0% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 4.7 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#81#81	gpt-oss-120bmedium	6.7	OpenAI	$0.011 ↓	22.28s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 52.4% 不稳定测试 5 输入令牌 39,084 输出令牌 20,013 推理令牌 50,233 响应时间（平均） 22.28s 响应时间（总计） 311.96s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 反AI技巧 : 6.7 编程 : 5.9 综合 : 10.0 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
#82#82	GPT-5 Nanomedium	6.7	OpenAI	$0.081	42.51s
查看模型卡片总测试数 21 错误测试数 12 可靠性 10.0 尝试通过率 57.1% 不稳定测试 7 输入令牌 34,108 输出令牌 5,464 推理令牌 192,064 响应时间（平均） 42.51s 响应时间（总计） 595.09s 响应时间（最大） 204.02s 答案错误: 9 未遵循指令: 2 超时: 1 反AI技巧 : 6.5 编程 : 7.0 综合 : 10.0 数据解析与提取 : 3.7 领域专项 : 5.2 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#83#83	Step 3.5 Flashmedium	6.6	Stepfun	$0.070 ↑	72.53s
查看模型卡片总测试数 20 错误测试数 9 可靠性 10.0 尝试通过率 54.0% 不稳定测试 1 输入令牌 34,431 输出令牌 91,587 推理令牌 195,973 响应时间（平均） 72.53s 响应时间（总计） 1015.47s 响应时间（最大） 453.94s 答案错误: 4 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 2.4 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 8.3 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#84#84	Qwen3.6 27Bmedium	6.6	Qwen	$0.336 ↓	59.71s
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 60.3% 不稳定测试 5 输入令牌 39,376 输出令牌 16,189 推理令牌 122,521 响应时间（平均） 59.71s 响应时间（总计） 1254.01s 响应时间（最大） 168.22s 答案错误: 6 无答案: 3 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 7.7 综合 : 7.0 数据解析与提取 : 3.5 领域专项 : 2.9 通用智能 : 6.5 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#85#85	Gemini 3.1 Flash Lite Previewlow	6.5	Google	$0.026	2.77s
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 32,715 输出令牌 2,286 推理令牌 9,166 响应时间（平均） 2.77s 响应时间（总计） 58.12s 响应时间（最大） 11.91s 答案错误: 7 未遵循指令: 1 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 : 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
#86#86	Gemini 3.1 Flash Litehigh	6.5	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 58.7% 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 反AI技巧 : 8.7 编程 : 3.3 综合 : 10.0 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
#87#87	Gemini 3.1 Flash Lite Previewnone	6.4	Google	$0.018	1.21s
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 60.3% 不稳定测试 1 输入令牌 37,582 输出令牌 5,547 推理令牌 0 响应时间（平均） 1.21s 响应时间（总计） 25.45s 响应时间（最大） 3.39s 答案错误: 7 未遵循指令: 2 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
#88#88	Gemini 3.1 Flash Litelow	6.4	Google	$0.028	1.89s
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 2 输入令牌 36,892 输出令牌 2,732 推理令牌 9,260 响应时间（平均） 1.89s 响应时间（总计） 39.62s 响应时间（最大） 5.66s 答案错误: 9 反AI技巧 : 7.3 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
#89#89	Hy3 previewlow	6.4	Tencent	$0.015 ↕	24.56s
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 52.4% 不稳定测试 2 输入令牌 21,045 输出令牌 63,460 推理令牌 0 响应时间（平均） 24.56s 响应时间（总计） 368.35s 响应时间（最大） 78.74s API 错误: 7 答案错误: 4 反AI技巧 : 8.3 编程 : 5.3 综合 : 10.0 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 2.8 常识问答 : 3.0
#90#90	Nemotron 3 Supermedium	6.3	NVIDIA	$0.019 ↑	32.00s
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 41.3% 不稳定测试 2 输入令牌 37,527 输出令牌 14,850 推理令牌 33,754 响应时间（平均） 32.00s 响应时间（总计） 607.91s 响应时间（最大） 232.25s 答案错误: 5 API 错误: 3 未遵循指令: 3 无答案: 1 超时: 1 反AI技巧 : 8.3 编程 : 3.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.1 指令遵循 : 7.3 谜题求解 : 3.0 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