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）
#76#76	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
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 69.6% 不稳定测试 2 输入令牌 197,239 输出令牌 6,083 推理令牌 53,982 响应时间（平均） 13.62s 响应时间（总计） 313.21s 响应时间（最大） 91.49s 答案错误: 7 无效工具调用: 1 智能体任务 : 10.0 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
#77#77	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
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 85.5% 不稳定测试 2 输入令牌 348,103 输出令牌 11,045 推理令牌 234,967 响应时间（平均） 18.59s 响应时间（总计） 427.52s 响应时间（最大） 145.92s 无效工具调用: 2 答案错误: 2 智能体任务 : 3.4 反AI技巧 : 10.0 编程 : 10.0 综合 : 8.2 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 : 9.8 常识问答 : 10.0
#78#78	Kimi K3max	8.3	Moonshot AI	$2.447 ↓	139.41s
查看模型卡片总测试数 23 错误测试数 6 可靠性 9.3 尝试通过率 78.3% 不稳定测试 2 输入令牌 170,700 输出令牌 7,719 推理令牌 225,608 响应时间（平均） 139.41s 响应时间（总计） 2788.26s 响应时间（最大） 766.58s API 错误: 2 无答案: 2 额外格式: 1 超时: 1 智能体任务 : 10.0 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
#79#79	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
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 3 输入令牌 203,193 输出令牌 5,751 推理令牌 47,410 响应时间（平均） 18.07s 响应时间（总计） 415.53s 响应时间（最大） 66.44s 答案错误: 7 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.9 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
#80#80	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
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 82.6% 不稳定测试 3 输入令牌 360,294 输出令牌 43,441 推理令牌 24,401 响应时间（平均） 16.72s 响应时间（总计） 384.66s 响应时间（最大） 99.37s 答案错误: 5 无答案: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 10.0 综合 : 9.9 数据解析与提取 : 7.1 领域专项 : 3.6 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
#81#81	Qwen3.7 Plusmedium	8.3	Qwen	$0.415 ↓	59.73s
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 76.8% 不稳定测试 3 输入令牌 350,546 输出令牌 8,576 推理令牌 206,984 响应时间（平均） 59.73s 响应时间（总计） 1373.73s 响应时间（最大） 315.30s 答案错误: 6 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 6.1 综合 : 8.2 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#82#82	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
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 82.6% 不稳定测试 3 输入令牌 342,124 输出令牌 7,135 推理令牌 326,497 响应时间（平均） 72.50s 响应时间（总计） 1667.51s 响应时间（最大） 676.83s 答案错误: 3 无答案: 2 未遵循指令: 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 : 4.1 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#83#83	GLM 5.2medium	8.2	Z.ai	$0.417 ↓	26.88s
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 81.2% 不稳定测试 4 输入令牌 227,164 输出令牌 20,029 推理令牌 60,991 响应时间（平均） 26.88s 响应时间（总计） 591.34s 响应时间（最大） 102.40s 答案错误: 3 无答案: 2 超时: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.2 综合 : 5.0 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#84#84	GPT-5.6 Terramedium	8.2	OpenAI	$0.483 ↓	8.93s
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 2 输入令牌 172,507 输出令牌 5,824 推理令牌 27,365 响应时间（平均） 8.93s 响应时间（总计） 205.39s 响应时间（最大） 54.74s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 5.5 指令遵循 : 10.0 谜题求解 : 8.4 工具调用 : 10.0 常识问答 : 3.0
#85#85	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
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 71.0% 不稳定测试 4 输入令牌 229,530 输出令牌 13,757 推理令牌 92,662 响应时间（平均） 48.87s 响应时间（总计） 1123.91s 响应时间（最大） 254.92s 答案错误: 6 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 8.0 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 6.7 指令遵循 : 10.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#86#86	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
查看模型卡片总测试数 23 错误测试数 9 可靠性 8.9 尝试通过率 78.3% 不稳定测试 6 输入令牌 237,604 输出令牌 9,617 推理令牌 244,190 响应时间（平均） 73.02s 响应时间（总计） 1679.49s 响应时间（最大） 485.92s 答案错误: 7 API 错误: 1 未遵循指令: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 7.0 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 6.5 指令遵循 : 9.8 谜题求解 : 9.9 工具调用 : 10.0 常识问答 : 3.0
#87#87	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 6 输入令牌 287,061 输出令牌 32,056 推理令牌 196,607 响应时间（平均） 91.29s 响应时间（总计） 2099.56s 响应时间（最大） 416.76s 答案错误: 9 未遵循指令: 2 无答案: 1 智能体任务 : 10.0 反AI技巧 : 5.7 编程 : 6.3 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
#88#88	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
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 81.2% 不稳定测试 2 输入令牌 437,293 输出令牌 29,102 推理令牌 28,876 响应时间（平均） 14.12s 响应时间（总计） 310.55s 响应时间（最大） 150.60s 答案错误: 3 无效工具调用: 1 超时: 1 智能体任务 : 5.2 反AI技巧 : 8.3 编程 : 7.6 综合 : 10.0 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
#89#89	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.030 ↓	55.99s
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 71.0% 不稳定测试 4 输入令牌 298,794 输出令牌 45,873 推理令牌 188,721 响应时间（平均） 55.99s 响应时间（总计） 1287.87s 响应时间（最大） 218.13s 答案错误: 6 未遵循指令: 2 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 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
#90#90	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.194 ↓	28.04s
查看模型卡片总测试数 23 错误测试数 8 可靠性 9.6 尝试通过率 73.9% 不稳定测试 4 输入令牌 266,849 输出令牌 8,284 推理令牌 363,263 响应时间（平均） 28.04s 响应时间（总计） 645.03s 响应时间（最大） 149.84s 答案错误: 7 API 错误: 1 智能体任务 : 6.1 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 : 3.5 通用智能 : 10.0 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#91#91	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
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 4 输入令牌 197,896 输出令牌 6,211 推理令牌 133,184 响应时间（平均） 18.39s 响应时间（总计） 422.93s 响应时间（最大） 111.09s 答案错误: 8 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 5.5 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 : 9.9 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#92#92	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.799 ↕	40.33s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.8 尝试通过率 68.1% 不稳定测试 3 输入令牌 482,754 输出令牌 62,455 推理令牌 141,067 响应时间（平均） 40.33s 响应时间（总计） 927.65s 响应时间（最大） 392.56s 答案错误: 7 API 错误: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 10.0 编程 : 8.4 综合 : 6.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 3.7 指令遵循 : 9.8 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#93#93	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
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 237,088 输出令牌 8,235 推理令牌 102,675 响应时间（平均） 15.95s 响应时间（总计） 366.93s 响应时间（最大） 94.06s 答案错误: 8 未遵循指令: 2 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.1 综合 : 9.9 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
#94#94	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
查看模型卡片总测试数 23 错误测试数 4 可靠性 9.9 尝试通过率 89.9% 不稳定测试 3 输入令牌 187,331 输出令牌 7,555 推理令牌 159,931 响应时间（平均） 16.64s 响应时间（总计） 382.64s 响应时间（最大） 108.60s 答案错误: 2 无效工具调用: 1 超时: 1 智能体任务 : 2.8 反AI技巧 : 10.0 编程 : 8.0 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 8.2 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
#95#95	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
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 75.4% 不稳定测试 6 输入令牌 176,890 输出令牌 5,688 推理令牌 18,525 响应时间（平均） 7.58s 响应时间（总计） 174.39s 响应时间（最大） 54.57s 答案错误: 8 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.3 编程 : 6.6 综合 : 8.7 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 : 10.0 谜题求解 : 10.0 工具调用 : 4.7 常识问答 : 3.0
#96#96	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
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 76.8% 不稳定测试 6 输入令牌 288,919 输出令牌 17,484 推理令牌 617,804 响应时间（平均） 114.73s 响应时间（总计） 2638.74s 响应时间（最大） 1026.43s 答案错误: 4 未遵循指令: 2 额外格式: 1 无效工具调用: 1 超时: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 5.9 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
#97#97	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
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 78.3% 不稳定测试 6 输入令牌 322,894 输出令牌 8,010 推理令牌 394,755 响应时间（平均） 43.97s 响应时间（总计） 1011.29s 响应时间（最大） 390.70s 无效工具调用: 2 无答案: 2 答案错误: 2 额外格式: 1 未遵循指令: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 8.2 综合 : 8.2 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#98#98	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
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 85.5% 不稳定测试 1 输入令牌 144,676 输出令牌 8,184 推理令牌 32,282 响应时间（平均） 13.30s 响应时间（总计） 305.83s 响应时间（最大） 40.17s 答案错误: 3 API 错误: 1 智能体任务 : 3.0 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 : 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
#99#99	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
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 5 输入令牌 238,925 输出令牌 7,109 推理令牌 177,063 响应时间（平均） 29.94s 响应时间（总计） 688.57s 响应时间（最大） 138.75s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.6 编程 : 8.4 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.5 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#100#100	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
查看模型卡片总测试数 23 错误测试数 7 可靠性 9.9 尝试通过率 69.6% 不稳定测试 0 输入令牌 243,553 输出令牌 20,670 推理令牌 0 响应时间（平均） 7.85s 响应时间（总计） 180.65s 响应时间（最大） 80.34s 答案错误: 7 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 5.5 综合 : 6.5 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

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