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）
#91#91	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.56s
查看模型卡片总测试数 22 错误测试数 7 可靠性 9.9 尝试通过率 68.2% 不稳定测试 0 输入令牌 95,992 输出令牌 12,446 推理令牌 0 响应时间（平均） 4.56s 响应时间（总计） 100.30s 响应时间（最大） 72.30s 答案错误: 7 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
#92#92	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.709 ↓	80.09s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 72,085 输出令牌 57,453 推理令牌 182,093 响应时间（平均） 80.09s 响应时间（总计） 1681.85s 响应时间（最大） 365.80s 答案错误: 6 超时: 3 API 错误: 1 未遵循指令: 1 反AI技巧 : 7.3 编程 : 7.8 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.7 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
#93#93	GPT-5.6 Lunamedium	7.4	OpenAI	$0.036 ↓	7.43s
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 62.1% 不稳定测试 2 输入令牌 89,685 输出令牌 5,701 推理令牌 38,824 响应时间（平均） 7.43s 响应时间（总计） 163.54s 响应时间（最大） 29.85s 答案错误: 9 反AI技巧 : 8.3 编程 : 5.4 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 : 9.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#94#94	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
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 59.1% 不稳定测试 2 输入令牌 97,324 输出令牌 44,383 推理令牌 346,490 响应时间（平均） 143.55s 响应时间（总计） 3158.11s 响应时间（最大） 939.52s 答案错误: 7 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 10.0 综合 : 7.3 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#95#95	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
查看模型卡片总测试数 22 错误测试数 8 可靠性 9.4 尝试通过率 74.2% 不稳定测试 4 输入令牌 108,931 输出令牌 112,801 推理令牌 343,227 响应时间（平均） 120.59s 响应时间（总计） 2653.05s 响应时间（最大） 532.28s 答案错误: 3 未遵循指令: 2 无答案: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.9 数据解析与提取 : 10.0 领域专项 : 4.1 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
#96#96	Grok 4.6low	7.4	X AI	$0.449	14.55s
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 69.7% 不稳定测试 1 输入令牌 109,960 输出令牌 5,124 推理令牌 32,924 响应时间（平均） 14.55s 响应时间（总计） 320.17s 响应时间（最大） 26.46s 答案错误: 7 反AI技巧 : 10.0 编程 : 5.5 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#97#97	Gemini 3 Flash Previewlow	7.4	Google	$0.185	6.51s
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 75.8% 不稳定测试 2 输入令牌 123,687 输出令牌 9,572 推理令牌 31,204 响应时间（平均） 6.51s 响应时间（总计） 143.12s 响应时间（最大） 17.13s 答案错误: 6 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
#98#98	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
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 57.6% 不稳定测试 1 输入令牌 123,273 输出令牌 19,362 推理令牌 0 响应时间（平均） 7.67s 响应时间（总计） 122.78s 响应时间（最大） 51.18s 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 : 9.8 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
#99#99	KAT-Coder-Pro V2.5low	7.3	Kwaipilot	$0.400	20.20s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 68.2% 不稳定测试 8 输入令牌 87,682 输出令牌 7,166 推理令牌 106,027 响应时间（平均） 20.20s 响应时间（总计） 444.35s 响应时间（最大） 209.15s 答案错误: 10 API 错误: 1 反AI技巧 : 6.9 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#100#100	Gemini 3.1 Flash Litemedium	7.3	Google	$0.120	4.38s
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 62.1% 不稳定测试 2 输入令牌 104,925 输出令牌 9,168 推理令牌 53,188 响应时间（平均） 4.38s 响应时间（总计） 96.32s 响应时间（最大） 26.22s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 9.1 编程 : 5.5 综合 : 7.2 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
#101#101	Qwen3.7 Plusnone	7.3	Qwen	$0.106 ↓	12.11s
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 54.6% 不稳定测试 0 输入令牌 98,833 输出令牌 58,097 推理令牌 0 响应时间（平均） 12.11s 响应时间（总计） 266.40s 响应时间（最大） 206.03s 答案错误: 9 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 : 5.3 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
#102#102	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.106	84.66s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 71.2% 不稳定测试 8 输入令牌 89,819 输出令牌 58,398 推理令牌 492,457 响应时间（平均） 84.66s 响应时间（总计） 1862.46s 响应时间（最大） 288.78s 答案错误: 5 无答案: 3 额外格式: 1 无效工具调用: 1 超时: 1 反AI技巧 : 8.2 编程 : 6.4 综合 : 7.3 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 : 8.5 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#103#103	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 63.6% 不稳定测试 2 输入令牌 149,203 输出令牌 16,797 推理令牌 0 响应时间（平均） 4.92s 响应时间（总计） 108.24s 响应时间（最大） 35.03s 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 : 9.8 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
#104#104	Kimi K2.6medium	7.2	Moonshot AI	$0.711 ↓	115.89s
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 63.6% 不稳定测试 4 输入令牌 68,913 输出令牌 64,654 推理令牌 282,865 响应时间（平均） 115.89s 响应时间（总计） 2433.66s 响应时间（最大） 876.20s 超时: 3 答案错误: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 7.0 编程 : 5.7 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 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#105#105	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 6 输入令牌 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 22.11s 响应时间（总计） 486.31s 响应时间（最大） 199.97s 答案错误: 10 无效工具调用: 1 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 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 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#106#106	Muse Glimmer 30Bhigh	7.2	Meta	$0.535	66.70s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 65.2% 不稳定测试 8 输入令牌 103,494 输出令牌 100,589 推理令牌 270,217 响应时间（平均） 66.70s 响应时间（总计） 1467.39s 响应时间（最大） 451.90s 答案错误: 7 未遵循指令: 3 无答案: 2 反AI技巧 : 8.7 编程 : 8.8 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.3 指令遵循 : 8.4 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 3.0
#107#107	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
查看模型卡片总测试数 22 错误测试数 9 可靠性 9.6 尝试通过率 63.6% 不稳定测试 2 输入令牌 42,106 输出令牌 2,280 推理令牌 169,843 响应时间（平均） 46.97s 响应时间（总计） 986.35s 响应时间（最大） 189.38s 答案错误: 8 超时: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.5 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
#108#108	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 66.7% 不稳定测试 6 输入令牌 92,191 输出令牌 14,286 推理令牌 289,733 响应时间（平均） 38.05s 响应时间（总计） 837.05s 响应时间（最大） 394.54s 答案错误: 7 未遵循指令: 3 API 错误: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 8.5 谜题求解 : 7.3 工具调用 : 10.0 常识问答 : 3.0
#109#109	Muse Glimmer 30Bmedium	7.2	Meta	$0.280	30.64s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 6 输入令牌 116,513 输出令牌 33,065 推理令牌 135,009 响应时间（平均） 30.64s 响应时间（总计） 674.01s 响应时间（最大） 181.08s 答案错误: 9 未遵循指令: 1 无答案: 1 反AI技巧 : 9.2 编程 : 8.4 综合 : 6.5 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#110#110	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
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 71.2% 不稳定测试 4 输入令牌 124,780 输出令牌 47,694 推理令牌 439,825 响应时间（平均） 65.67s 响应时间（总计） 1444.68s 响应时间（最大） 519.30s 答案错误: 5 超时: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 6.4 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
#111#111	Muse Glimmer 30Blow	7.1	Meta	$0.187	18.64s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 130,312 输出令牌 33,867 推理令牌 62,103 响应时间（平均） 18.64s 响应时间（总计） 410.18s 响应时间（最大） 234.92s 答案错误: 6 未遵循指令: 3 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.1 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.0 指令遵循 : 8.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#112#112	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 63.6% 不稳定测试 5 输入令牌 103,842 输出令牌 320,393 推理令牌 0 响应时间（平均） 17.87s 响应时间（总计） 393.04s 响应时间（最大） 124.75s 答案错误: 9 无效工具调用: 1 无答案: 1 反AI技巧 : 8.7 编程 : 8.2 综合 : 7.3 数据解析与提取 : 7.3 领域专项 : 2.9 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
#113#113	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 62.1% 不稳定测试 5 输入令牌 79,740 输出令牌 23,357 推理令牌 339,837 响应时间（平均） 120.58s 响应时间（总计） 2652.77s 响应时间（最大） 491.07s 答案错误: 5 未遵循指令: 3 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 8.7 编程 : 5.7 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.5 指令遵循 : 7.9 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#114#114	Grok 4.3medium	7.0	X AI	$0.741	44.21s
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 66.7% 不稳定测试 5 输入令牌 140,244 输出令牌 13,739 推理令牌 212,165 响应时间（平均） 44.21s 响应时间（总计） 972.64s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 1 无答案: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 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
#115#115	GPT-5.6 Solnone	7.0	OpenAI	$0.524	2.17s
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 63.6% 不稳定测试 3 输入令牌 78,602 输出令牌 4,357 推理令牌 0 响应时间（平均） 2.17s 响应时间（总计） 47.66s 响应时间（最大） 12.81s 答案错误: 9 未遵循指令: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#116#116	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.43s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 65.2% 不稳定测试 7 输入令牌 101,056 输出令牌 11,832 推理令牌 116,955 响应时间（平均） 68.43s 响应时间（总计） 1505.53s 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 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.0 综合 : 7.3 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
#117#117	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
查看模型卡片总测试数 22 错误测试数 10 可靠性 8.1 尝试通过率 65.2% 不稳定测试 4 输入令牌 82,592 输出令牌 16,089 推理令牌 199,800 响应时间（平均） 58.80s 响应时间（总计） 1234.72s 响应时间（最大） 308.75s 答案错误: 4 无答案: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 10.0 编程 : 4.6 综合 : 9.8 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 : 6.4 谜题求解 : 8.2 工具调用 : 3.0 常识问答 : 3.0
#118#118	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
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 59.1% 不稳定测试 2 输入令牌 79,294 输出令牌 4,915 推理令牌 0 响应时间（平均） 2.35s 响应时间（总计） 51.78s 响应时间（最大） 12.24s 答案错误: 10 反AI技巧 : 6.9 编程 : 5.5 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#119#119	Mercury 2medium	7.0	Inception	$0.094	2.95s
查看模型卡片总测试数 22 错误测试数 12 可靠性 10.0 尝试通过率 53.0% 不稳定测试 4 输入令牌 110,515 输出令牌 10,325 推理令牌 77,229 响应时间（平均） 2.95s 响应时间（总计） 61.89s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 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
#120#120	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
查看模型卡片总测试数 22 错误测试数 11 可靠性 10.0 尝试通过率 60.6% 不稳定测试 5 输入令牌 102,986 输出令牌 5,860 推理令牌 264,399 响应时间（平均） 32.56s 响应时间（总计） 716.36s 响应时间（最大） 199.66s 答案错误: 6 额外格式: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 8.2 编程 : 6.3 综合 : 8.7 数据解析与提取 : 10.0 领域专项 : 2.9 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

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