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）
#121#121	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.116	93.10s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.7 尝试通过率 57.6% 不稳定测试 3 输入令牌 125,704 输出令牌 10,781 推理令牌 247,541 响应时间（平均） 93.10s 响应时间（总计） 1768.91s 响应时间（最大） 301.78s 答案错误: 5 超时: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.6 编程 : 5.5 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#122#122	Kimi K2.5medium	7.0	Moonshot AI	$0.607 ↑	98.19s
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 63.6% 不稳定测试 8 输入令牌 118,496 输出令牌 53,522 推理令牌 167,420 响应时间（平均） 98.19s 响应时间（总计） 1571.05s 响应时间（最大） 281.00s 答案错误: 5 未遵循指令: 2 无答案: 2 超时: 2 无效工具调用: 1 反AI技巧 : 7.3 编程 : 6.1 综合 : 6.7 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 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#123#123	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.478	24.87s
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 65.2% 不稳定测试 8 输入令牌 87,916 输出令牌 7,213 推理令牌 132,162 响应时间（平均） 24.87s 响应时间（总计） 547.14s 响应时间（最大） 257.00s 答案错误: 9 API 错误: 1 未遵循指令: 1 反AI技巧 : 8.2 编程 : 7.8 综合 : 6.4 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 : 9.9 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#124#124	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
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 63.6% 不稳定测试 7 输入令牌 114,477 输出令牌 12,786 推理令牌 457,290 响应时间（平均） 47.38s 响应时间（总计） 1042.43s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.4 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 : 5.8 谜题求解 : 7.1 工具调用 : 10.0 常识问答 : 3.0
#125#125	Seed-2.0-Codehigh	6.9	Bytedance Seed	$1.273	124.18s
查看模型卡片总测试数 22 错误测试数 11 可靠性 8.6 尝试通过率 63.6% 不稳定测试 5 输入令牌 81,970 输出令牌 7,186 推理令牌 403,389 响应时间（平均） 124.18s 响应时间（总计） 2732.03s 响应时间（最大） 675.30s API 错误: 5 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 8.3 编程 : 6.2 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 7.8 工具调用 : 4.7 常识问答 : 3.0
#126#126	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
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 69.7% 不稳定测试 3 输入令牌 13,852 输出令牌 119,100 推理令牌 0 响应时间（平均） 10.18s 响应时间（总计） 183.29s 响应时间（最大） 64.36s API 错误: 4 答案错误: 4 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 : 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 : 2.8
#127#127	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
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 129,050 输出令牌 20,026 推理令牌 616,923 响应时间（平均） 44.97s 响应时间（总计） 989.32s 响应时间（最大） 578.13s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.0 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#128#128	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
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 4 输入令牌 98,700 输出令牌 1,050,900 推理令牌 0 响应时间（平均） 70.10s 响应时间（总计） 1542.14s 响应时间（最大） 364.99s 答案错误: 7 无答案: 3 无效工具调用: 1 反AI技巧 : 10.0 编程 : 4.0 综合 : 8.7 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 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#129#129	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
查看模型卡片总测试数 22 错误测试数 12 可靠性 7.3 尝试通过率 63.6% 不稳定测试 7 输入令牌 76,036 输出令牌 7,267 推理令牌 364,176 响应时间（平均） 101.05s 响应时间（总计） 2223.19s 响应时间（最大） 626.58s API 错误: 6 答案错误: 4 额外格式: 1 未遵循指令: 1 反AI技巧 : 6.9 编程 : 8.9 综合 : 4.7 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 : 9.8 谜题求解 : 8.2 工具调用 : 4.7 常识问答 : 3.0
#130#130	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
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 60.6% 不稳定测试 6 输入令牌 90,556 输出令牌 6,153 推理令牌 332,220 响应时间（平均） 136.11s 响应时间（总计） 2994.49s 响应时间（最大） 640.89s 答案错误: 6 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.3 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 : 8.0 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#131#131	Solar Pro 4medium	6.8	Upstage	$0.047	127.64s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.9 尝试通过率 62.1% 不稳定测试 4 输入令牌 87,902 输出令牌 30,743 推理令牌 335,668 响应时间（平均） 127.64s 响应时间（总计） 2808.09s 响应时间（最大） 519.91s 答案错误: 5 未遵循指令: 2 API 错误: 1 额外格式: 1 无答案: 1 反AI技巧 : 8.2 编程 : 5.5 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.0 指令遵循 : 9.8 谜题求解 : 9.0 工具调用 : 10.0 常识问答 : 3.0
#132#132	DeepSeek V4 Pronone	6.8	DeepSeek	$0.256 ↑	11.71s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 47.0% 不稳定测试 4 输入令牌 148,078 输出令牌 35,547 推理令牌 0 响应时间（平均） 11.71s 响应时间（总计） 257.67s 响应时间（最大） 119.44s 答案错误: 9 未遵循指令: 2 额外格式: 1 无效工具调用: 1 反AI技巧 : 3.2 编程 : 5.6 综合 : 7.9 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 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#133#133	MiMo-V2.5-Promedium	6.8	Xiaomi	$0.221 ↓	48.68s
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 139,892 输出令牌 15,569 推理令牌 169,897 响应时间（平均） 48.68s 响应时间（总计） 1071.02s 响应时间（最大） 333.34s 额外格式: 3 答案错误: 3 未遵循指令: 2 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 5.5 指令遵循 : 9.9 谜题求解 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#134#134	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.82s
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 65.2% 不稳定测试 3 输入令牌 104,217 输出令牌 10,710 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 45.05s 响应时间（最大） 21.19s 答案错误: 8 无答案: 1 反AI技巧 : 8.3 编程 : 5.5 综合 : 3.8 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 : 6.4 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#135#135	Gemma 4 26B A4Bmedium	6.8	Google	$0.111 ↑	104.93s
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 77,528 输出令牌 26,048 推理令牌 227,598 响应时间（平均） 104.93s 响应时间（总计） 2203.52s 响应时间（最大） 912.19s 无答案: 2 超时: 2 答案错误: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 2.9 综合 : 6.3 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 : 3.0
#136#136	GLM 5.2none	6.7	Z.ai	$0.078 ↓	9.65s
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 112,458 输出令牌 14,344 推理令牌 0 响应时间（平均） 9.65s 响应时间（总计） 212.38s 响应时间（最大） 79.65s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.3 编程 : 3.7 综合 : 6.9 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#137#137	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.487	26.01s
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 98,508 输出令牌 139,572 推理令牌 0 响应时间（平均） 26.01s 响应时间（总计） 572.22s 响应时间（最大） 335.41s 答案错误: 10 无效工具调用: 1 反AI技巧 : 8.7 编程 : 6.1 综合 : 4.1 数据解析与提取 : 10.0 领域专项 : 4.1 通用智能 : 4.8 指令遵循 : 9.8 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#138#138	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
查看模型卡片总测试数 22 错误测试数 12 可靠性 9.9 尝试通过率 54.6% 不稳定测试 4 输入令牌 90,870 输出令牌 5,676 推理令牌 314,918 响应时间（平均） 113.61s 响应时间（总计） 2499.46s 响应时间（最大） 560.39s 答案错误: 7 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.6 综合 : 10.0 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 3.4 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#139#139	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
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 60.6% 不稳定测试 1 输入令牌 100,762 输出令牌 16,454 推理令牌 0 响应时间（平均） 2.65s 响应时间（总计） 58.21s 响应时间（最大） 25.26s 答案错误: 6 无效工具调用: 2 未遵循指令: 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 : 7.7 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
#140#140	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
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 65.2% 不稳定测试 6 输入令牌 44,615 输出令牌 2,347 推理令牌 98,415 响应时间（平均） 23.08s 响应时间（总计） 484.63s 响应时间（最大） 95.88s 答案错误: 7 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 7.2 编程 : 6.0 综合 : 3.4 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 : 7.7 工具调用 : 7.0 常识问答 : 3.0
#141#141	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 51.5% 不稳定测试 4 输入令牌 93,411 输出令牌 30,470 推理令牌 356,172 响应时间（平均） 153.29s 响应时间（总计） 3372.36s 响应时间（最大） 941.66s 答案错误: 7 未遵循指令: 2 无答案: 2 超时: 2 反AI技巧 : 8.9 编程 : 7.8 综合 : 10.0 数据解析与提取 : 3.6 领域专项 : 3.6 通用智能 : 5.1 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#142#142	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
查看模型卡片总测试数 19 错误测试数 3 可靠性 10.0 尝试通过率 72.7% 不稳定测试 0 输入令牌 69,576 输出令牌 6,265 推理令牌 0 响应时间（平均） 3.02s 响应时间（总计） 57.44s 响应时间（最大） 18.27s 答案错误: 3 反AI技巧 : 8.3 编程 : 3.3 综合 : 4.8 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 : 3.0
#143#143	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
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 69.7% 不稳定测试 6 输入令牌 139,165 输出令牌 12,899 推理令牌 25,511 响应时间（平均） 2.56s 响应时间（总计） 56.32s 响应时间（最大） 15.14s 答案错误: 8 未遵循指令: 1 无答案: 1 反AI技巧 : 9.0 编程 : 4.3 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 10.0 指令遵循 : 9.8 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 4.7
#144#144	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
查看模型卡片总测试数 22 错误测试数 13 可靠性 10.0 尝试通过率 45.5% 不稳定测试 2 输入令牌 102,325 输出令牌 24,323 推理令牌 0 响应时间（平均） 4.77s 响应时间（总计） 105.00s 响应时间（最大） 69.46s 答案错误: 11 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.8 综合 : 6.4 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 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#145#145	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
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 63.6% 不稳定测试 0 输入令牌 110,196 输出令牌 14,717 推理令牌 397,462 响应时间（平均） 16.67s 响应时间（总计） 366.69s 响应时间（最大） 309.35s 答案错误: 6 未遵循指令: 1 无效工具调用: 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 : 7.7 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
#146#146	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
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 3 输入令牌 100,255 输出令牌 6,422 推理令牌 49,847 响应时间（平均） 6.30s 响应时间（总计） 138.60s 响应时间（最大） 17.26s 答案错误: 6 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 10.0 编程 : 7.8 综合 : 3.8 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 : 8.5 谜题求解 : 5.8 工具调用 : 3.0 常识问答 : 3.0
#147#147	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
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 94,233 输出令牌 7,759 推理令牌 390,132 响应时间（平均） 16.25s 响应时间（总计） 357.39s 响应时间（最大） 318.02s 答案错误: 8 无效工具调用: 1 反AI技巧 : 7.3 编程 : 5.5 综合 : 3.2 数据解析与提取 : 10.0 领域专项 : 7.7 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
#148#148	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.750 ↑	58.49s
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 2 输入令牌 85,148 输出令牌 61,736 推理令牌 681,556 响应时间（平均） 58.49s 响应时间（总计） 1169.83s 响应时间（最大） 817.57s 答案错误: 5 API 错误: 2 未遵循指令: 1 无效工具调用: 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 : 2.9 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
#149#149	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
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 53.0% 不稳定测试 2 输入令牌 102,655 输出令牌 29,370 推理令牌 0 响应时间（平均） 9.86s 响应时间（总计） 157.77s 响应时间（最大） 123.00s 答案错误: 11 反AI技巧 : 4.8 编程 : 4.3 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 4.4 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#150#150	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
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 60.6% 不稳定测试 7 输入令牌 106,176 输出令牌 33,013 推理令牌 239,560 响应时间（平均） 106.06s 响应时间（总计） 2333.36s 响应时间（最大） 1085.11s 答案错误: 5 无答案: 3 无效工具调用: 2 额外格式: 1 未遵循指令: 1 反AI技巧 : 8.3 编程 : 7.7 综合 : 6.7 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

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