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：: 2026-05-10 已评估模型: 144

144/144

排名	模型	分数	公司	总成本	响应时间（平均）
#91#91	Qwen3.5-Flashnone	6.0	Qwen	$0.006	3.11s
查看模型卡片总测试数 19 错误测试数 11 可靠性 10.0 尝试通过率 43.9% 不稳定测试 1 输出令牌 4,275 推理令牌 0 响应时间（平均） 3.11s 响应时间（总计） 59.03s 响应时间（最大） 13.73s 答案错误: 11 反AI技巧 : 3.5 编程 : 10.0 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 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#92#92	Qwen3.5 Plus 2026-04-20none	5.9	Qwen	$0.040	4.77s
查看模型卡片总测试数 19 错误测试数 12 可靠性 9.9 尝试通过率 45.6% 不稳定测试 4 输出令牌 11,150 推理令牌 0 响应时间（平均） 4.77s 响应时间（总计） 90.58s 响应时间（最大） 33.34s 答案错误: 11 未遵循指令: 1 反AI技巧 : 4.8 编程 : 5.3 综合 : 2.8 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 : 6.2 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#93#93	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.016	3.64s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 47.4% 不稳定测试 3 输出令牌 4,311 推理令牌 0 响应时间（平均） 3.64s 响应时间（总计） 69.23s 响应时间（最大） 47.43s 答案错误: 10 未遵循指令: 2 反AI技巧 : 3.4 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 6.5 指令遵循 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#94#94	MiMo-V2-Pronone	5.9	Xiaomi	$0.043	2.35s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 45.6% 不稳定测试 3 输出令牌 2,344 推理令牌 0 响应时间（平均） 2.35s 响应时间（总计） 44.69s 响应时间（最大） 6.58s 答案错误: 10 未遵循指令: 2 反AI技巧 : 3.5 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.5 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#95#95	Qwen3.5-27Bnone	5.9	Qwen	$0.016	1.68s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 42.1% 不稳定测试 2 输出令牌 3,555 推理令牌 0 响应时间（平均） 1.68s 响应时间（总计） 31.92s 响应时间（最大） 9.39s 答案错误: 10 未遵循指令: 2 反AI技巧 : 4.8 编程 : 10.0 综合 : 2.8 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#96#96	Qwen3.6 27Bnone	5.8	Qwen	$0.031	4.00s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 52.6% 不稳定测试 6 输出令牌 3,786 推理令牌 0 响应时间（平均） 4.00s 响应时间（总计） 76.04s 响应时间（最大） 12.08s 答案错误: 9 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.8 编程 : 10.0 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 5.2 指令遵循 : 6.2 谜题求解 : 5.3 工具调用 : 9.5 常识问答 : 3.0
#97#97	Cobuddymedium	5.8	Baidu	$0.000	36.50s
查看模型卡片总测试数 19 错误测试数 12 可靠性 9.9 尝试通过率 54.4% 不稳定测试 7 输出令牌 1,648 推理令牌 96,062 响应时间（平均） 36.50s 响应时间（总计） 693.45s 响应时间（最大） 309.02s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 8.7 编程 : 4.3 综合 : 3.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.2 指令遵循 : 9.8 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#98#98	Owl Alphanone	5.8	Openrouter	$0.000	6.83s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 43.9% 不稳定测试 2 输出令牌 1,685 推理令牌 0 响应时间（平均） 6.83s 响应时间（总计） 129.73s 响应时间（最大） 32.27s 答案错误: 9 未遵循指令: 3 反AI技巧 : 3.4 编程 : 10.0 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 6.4 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#99#99	GLM 4.7 Flashnone	5.8	Z.ai	$0.003	3.13s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 40.4% 不稳定测试 3 输出令牌 2,498 推理令牌 0 响应时间（平均） 3.13s 响应时间（总计） 37.60s 响应时间（最大） 7.05s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 5.2 编程 : 6.4 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 7.7 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 6.4 工具调用 : 2.8 常识问答 : 3.0
#100#100	GPT-5.4none	5.7	OpenAI	$0.105	1.48s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 40.4% 不稳定测试 2 输出令牌 2,357 推理令牌 0 响应时间（平均） 1.48s 响应时间（总计） 28.20s 响应时间（最大） 2.95s 答案错误: 11 未遵循指令: 1 反AI技巧 : 3.2 编程 : 10.0 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 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#101#101	gpt-oss-120bmedium	5.7	OpenAI	$0.011	16.95s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 49.1% 不稳定测试 6 输出令牌 16,594 推理令牌 40,637 响应时间（平均） 16.95s 响应时间（总计） 203.39s 响应时间（最大） 50.92s 答案错误: 8 未遵循指令: 4 反AI技巧 : 6.7 编程 : 4.3 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 : 3.2 工具调用 : 9.8 常识问答 : 3.0
#102#102	Kimi K2.6none	5.7	Moonshot AI	$0.039	2.02s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 40.4% 不稳定测试 2 输出令牌 2,990 推理令牌 0 响应时间（平均） 2.02s 响应时间（总计） 38.29s 响应时间（最大） 6.65s 答案错误: 10 未遵循指令: 2 反AI技巧 : 4.6 编程 : 10.0 综合 : 3.0 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 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#103#103	GLM 5.1none	5.7	Z.ai	$0.053	4.23s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 42.1% 不稳定测试 5 输出令牌 3,731 推理令牌 0 响应时间（平均） 4.23s 响应时间（总计） 80.36s 响应时间（最大） 32.57s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.1 综合 : 2.8 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 : 6.1 工具调用 : 10.0 常识问答 : 3.0
#104#104	MiMo-V2.5-Pronone	5.7	Xiaomi	$0.035	1.88s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 43.9% 不稳定测试 4 输出令牌 3,040 推理令牌 0 响应时间（平均） 1.88s 响应时间（总计） 35.63s 响应时间（最大） 8.32s 答案错误: 10 未遵循指令: 3 反AI技巧 : 3.3 编程 : 6.4 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 : 6.4 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#105#105	Hunter Alphanone	5.7	OpenRouter	$0.000	4.58s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 46.3% 不稳定测试 4 输出令牌 2,278 推理令牌 0 响应时间（平均） 4.58s 响应时间（总计） 77.92s 响应时间（最大） 15.17s 答案错误: 9 未遵循指令: 2 API 错误: 1 反AI技巧 : 3.5 编程 : 3.0 综合 : 3.0 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 : 6.4 谜题求解 : 5.8 工具调用 : 10.0
#106#106	DeepSeek V3.2none	5.7	DeepSeek	$0.016	13.43s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 49.1% 不稳定测试 5 输出令牌 7,194 推理令牌 0 响应时间（平均） 13.43s 响应时间（总计） 255.10s 响应时间（最大） 115.89s 答案错误: 8 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.3 编程 : 2.4 综合 : 6.5 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 7.6 指令遵循 : 10.0 谜题求解 : 7.5 工具调用 : 10.0 常识问答 : 3.0
#107#107	Qwen3.6 Flashnone	5.6	Qwen	$0.018	1.60s
查看模型卡片总测试数 19 错误测试数 12 可靠性 10.0 尝试通过率 36.8% 不稳定测试 0 输出令牌 4,170 推理令牌 0 响应时间（平均） 1.60s 响应时间（总计） 30.43s 响应时间（最大） 4.60s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 10.0 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#108#108	MiniMax M2.5medium	5.5	Minimax	$0.273	43.39s
查看模型卡片总测试数 19 错误测试数 14 可靠性 6.7 尝试通过率 52.6% 不稳定测试 10 输出令牌 108,324 推理令牌 224,957 响应时间（平均） 43.39s 响应时间（总计） 477.26s 响应时间（最大） 237.27s 答案错误: 6 超时: 4 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 7.9 编程 : 3.0 综合 : 4.5 数据解析与提取 : 4.6 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 7.5 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#109#109	Mistral Small 4medium	5.5	Mistral	$0.035	5.65s
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 47.4% 不稳定测试 7 输出令牌 15,102 推理令牌 40,965 响应时间（平均） 5.65s 响应时间（总计） 107.44s 响应时间（最大） 30.49s 答案错误: 10 API 错误: 2 未遵循指令: 2 反AI技巧 : 5.6 编程 : 6.7 综合 : 3.0 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 4.8 指令遵循 : 7.3 谜题求解 : 3.4 工具调用 : 10.0 常识问答 : 3.0
#110#110	Grok 4.20 Betanone	5.5	X AI	$0.091	1.19s
查看模型卡片总测试数 18 错误测试数 13 可靠性不适用尝试通过率 35.2% 不稳定测试 2 输出令牌 1,591 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.37s 响应时间（最大） 6.48s 答案错误: 11 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 6.3 谜题求解 : 5.9 工具调用 : 10.0
#111#111	Elephant Alphamedium	5.5	Openrouter	$0.000	1.27s
查看模型卡片总测试数 19 错误测试数 12 可靠性不适用尝试通过率 35.2% 不稳定测试 1 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 5.1 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 0.0
#112#112	Qwen3.5-122B-A10Bnone	5.5	Qwen	$0.022	3.52s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 36.8% 不稳定测试 2 输出令牌 3,350 推理令牌 0 响应时间（平均） 3.52s 响应时间（总计） 66.80s 响应时间（最大） 46.00s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 4.3 综合 : 3.0 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 : 6.3 谜题求解 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#113#113	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	5.4	NVIDIA	$0.000	17.15s
查看模型卡片总测试数 19 错误测试数 9 可靠性 10.0 尝试通过率 53.9% 不稳定测试 7 输出令牌 48,462 推理令牌 180,793 响应时间（平均） 17.15s 响应时间（总计） 222.94s 响应时间（最大） 147.45s 答案错误: 7 未遵循指令: 1 无答案: 1 反AI技巧 : 7.6 编程 : 3.3 综合 : 0.0 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 0.0 指令遵循 : 7.1 谜题求解 : 3.8 工具调用 : 0.0 常识问答 : 0.0
#114#114	Kimi K2.5none	5.4	Moonshot AI	$0.017	12.58s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 38.6% 不稳定测试 3 输出令牌 2,679 推理令牌 0 响应时间（平均） 12.58s 响应时间（总计） 150.95s 响应时间（最大） 42.13s 答案错误: 13 反AI技巧 : 3.6 编程 : 10.0 综合 : 2.8 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 : 6.5 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#115#115	Grok 4.20none	5.4	X AI	$0.095	1.11s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 35.2% 不稳定测试 1 输出令牌 1,967 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 20.02s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.4 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.3 工具调用 : 10.0
#116#116	GLM 5 Turbonone	5.4	Z.ai	$0.032	2.91s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 35.1% 不稳定测试 2 输出令牌 1,791 推理令牌 0 响应时间（平均） 2.91s 响应时间（总计） 55.35s 响应时间（最大） 8.21s 答案错误: 11 未遵循指令: 2 反AI技巧 : 3.0 编程 : 5.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.2 指令遵循 : 6.5 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#117#117	Laguna M.1none	5.4	Poolside	$0.000	2.89s
查看模型卡片总测试数 19 错误测试数 11 可靠性 9.8 尝试通过率 40.0% 不稳定测试 3 输出令牌 2,068 推理令牌 0 响应时间（平均） 2.89s 响应时间（总计） 43.40s 响应时间（最大） 15.42s 答案错误: 10 无效工具调用: 1 反AI技巧 : 3.6 编程 : 7.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 0.0 指令遵循 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 0.0
#118#118	Elephant Alphanone	5.3	Openrouter	$0.000	1.23s
查看模型卡片总测试数 19 错误测试数 13 可靠性不适用尝试通过率 31.5% 不稳定测试 1 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.23s 响应时间（总计） 22.16s 响应时间（最大） 3.81s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.6 编程 : 6.4 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 4.0 工具调用 : 3.0 常识问答 : 0.0
#119#119	Laguna Xs.2none	5.3	Poolside	$0.000	806ms
查看模型卡片总测试数 19 错误测试数 10 可靠性 10.0 尝试通过率 33.3% 不稳定测试 0 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 2.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 0.0 指令遵循 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 0.0
#120#120	Ling-2.6-flashnone	5.3	Inclusionai	$0.001	9.76s
查看模型卡片总测试数 19 错误测试数 13 可靠性 10.0 尝试通过率 35.1% 不稳定测试 2 输出令牌 2,878 推理令牌 0 响应时间（平均） 9.76s 响应时间（总计） 185.37s 响应时间（最大） 35.34s 答案错误: 9 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 6.8 编程 : 10.0 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 9.8 谜题求解 : 2.9 工具调用 : 3.0 常识问答 : 3.0

快速对比

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsQwen3.6 Max Previewmedium Gemini 3 Flash PreviewmediumvsRing 2.6 1tmedium免费可用 Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsGPT-5.5medium GPT-5.5mediumvsGPT-5.5low GPT-5.5lowvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsQwen3.6 Max Previewmedium

AI 基准排行榜

筛选模型

快速对比