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）
#121#121	DeepSeek V4 Flashnone	5.5	DeepSeek	$0.007 ↓	26.75s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 30.2% 不稳定测试 3 输入令牌 50,127 输出令牌 13,710 推理令牌 0 响应时间（平均） 26.75s 响应时间（总计） 561.82s 响应时间（最大） 111.96s 答案错误: 12 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 4.2 综合 : 4.5 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 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#122#122	Kimi K2.5none	5.5	Moonshot AI	$0.027 ↑	13.18s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 34.9% 不稳定测试 3 输入令牌 36,034 输出令牌 6,657 推理令牌 0 响应时间（平均） 13.18s 响应时间（总计） 184.47s 响应时间（最大） 42.13s 答案错误: 15 反AI技巧 : 3.6 编程 : 5.5 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
#123#123	MiMo-V2.5-Pronone	5.5	Xiaomi	$0.017 ↓	1.78s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 39.7% 不稳定测试 4 输入令牌 30,724 输出令牌 3,043 推理令牌 0 响应时间（平均） 1.78s 响应时间（总计） 37.42s 响应时间（最大） 8.32s 答案错误: 11 未遵循指令: 4 反AI技巧 : 3.3 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 : 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
#124#124	Qwen3.6 27Bnone	5.5	Qwen	$0.025 ↓	3.72s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 47.6% 不稳定测试 6 输入令牌 52,721 输出令牌 3,812 推理令牌 0 响应时间（平均） 3.72s 响应时间（总计） 78.08s 响应时间（最大） 11.82s 答案错误: 11 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.8 编程 : 5.5 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
#125#125	Gemma 4 26B A4Bnone	5.5	Google	$0.004 ↓	5.91s
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 44.4% 不稳定测试 2 输入令牌 40,038 输出令牌 1,824 推理令牌 0 响应时间（平均） 5.91s 响应时间（总计） 124.05s 响应时间（最大） 57.10s 答案错误: 10 未遵循指令: 2 超时: 1 反AI技巧 : 8.3 编程 : 3.7 综合 : 3.0 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 : 6.3 谜题求解 : 6.2 工具调用 : 10.0 常识问答 : 3.0
#126#126	Qwen3.5 Plus 2026-04-20none	5.5	Qwen	$0.032 ↓	4.39s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 41.3% 不稳定测试 4 输入令牌 38,910 输出令牌 11,145 推理令牌 0 响应时间（平均） 4.39s 响应时间（总计） 92.26s 响应时间（最大） 33.34s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.9 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
#127#127	GLM 5 Turbonone	5.3	Z.ai	$0.047 ↑	2.82s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 31.8% 不稳定测试 2 输入令牌 32,525 输出令牌 1,815 推理令牌 0 响应时间（平均） 2.82s 响应时间（总计） 59.29s 响应时间（最大） 8.21s 答案错误: 13 未遵循指令: 2 反AI技巧 : 3.0 编程 : 3.9 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
#128#128	Laguna XS 2.1none	5.3	Poolside	$0.003	722ms
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 31.8% 不稳定测试 3 输入令牌 41,148 输出令牌 3,451 推理令牌 0 响应时间（平均） 722ms 响应时间（总计） 15.17s 响应时间（最大） 2.30s 答案错误: 14 未遵循指令: 1 超时: 1 反AI技巧 : 5.3 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 : 3.8 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#129#129	GPT-5.4 Mininone	5.3	OpenAI	$0.038	1.13s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 30.2% 不稳定测试 3 输入令牌 34,244 输出令牌 2,541 推理令牌 0 响应时间（平均） 1.13s 响应时间（总计） 23.82s 响应时间（最大） 2.52s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.1 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.8 指令遵循 : 6.3 谜题求解 : 5.4 工具调用 : 3.0 常识问答 : 3.0
#130#130	Qwen3.5-122B-A10Bnone	5.3	Qwen	$0.020 ↓	3.41s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 31.8% 不稳定测试 1 输入令牌 47,735 输出令牌 3,383 推理令牌 0 响应时间（平均） 3.41s 响应时间（总计） 71.59s 响应时间（最大） 46.00s 答案错误: 13 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.7 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 : 3.8 工具调用 : 10.0 常识问答 : 3.0
#131#131	DeepSeek V3.2none	5.3	DeepSeek	$0.017 ↓	13.83s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 39.7% 不稳定测试 6 输入令牌 55,997 输出令牌 11,165 推理令牌 0 响应时间（平均） 13.83s 响应时间（总计） 290.43s 响应时间（最大） 115.89s 答案错误: 7 API 错误: 4 额外格式: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.2 编程 : 3.1 综合 : 6.5 数据解析与提取 : 6.3 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#132#132	MiniMax M2.7medium	5.2	Minimax	$0.075 ↓	38.18s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 46.0% 不稳定测试 8 输入令牌 34,371 输出令牌 8,981 推理令牌 89,812 响应时间（平均） 38.18s 响应时间（总计） 763.60s 响应时间（最大） 196.21s 答案错误: 6 未遵循指令: 5 超时: 2 API 错误: 1 无效工具调用: 1 无答案: 1 反AI技巧 : 7.9 编程 : 5.7 综合 : 4.7 数据解析与提取 : 6.3 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 3.8 谜题求解 : 5.9 工具调用 : 4.7 常识问答 : 3.0
#133#133	Qwen3.6 35B A3Bnone	5.2	Qwen	$0.031 ↑	3.73s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 30.2% 不稳定测试 5 输入令牌 19,329 输出令牌 27,755 推理令牌 0 响应时间（平均） 3.73s 响应时间（总计） 70.86s 响应时间（最大） 22.52s 答案错误: 13 API 错误: 2 未遵循指令: 2 反AI技巧 : 3.6 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.4 指令遵循 : 6.2 谜题求解 : 3.2 工具调用 : 3.0 常识问答 : 3.0
#134#134	Mistral Small 4none	5.1	Mistral	$0.007	630ms
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 27.0% 不稳定测试 1 输入令牌 37,309 输出令牌 2,201 推理令牌 0 响应时间（平均） 630ms 响应时间（总计） 13.22s 响应时间（最大） 1.72s 答案错误: 15 未遵循指令: 1 反AI技巧 : 3.4 编程 : 3.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.0 指令遵循 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#135#135	Qwen3 Coder Nextnone	5.1	Qwen	$0.009 ↓	8.62s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 27.0% 不稳定测试 1 输入令牌 47,507 输出令牌 3,584 推理令牌 0 响应时间（平均） 8.62s 响应时间（总计） 129.37s 响应时间（最大） 45.14s 答案错误: 14 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.6 编程 : 4.6 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 : 6.3 谜题求解 : 3.0 工具调用 : 10.0 常识问答 : 3.0
#136#136	North Mini Codenone	5.1	Cohere	$0.000	29.82s
查看模型卡片总测试数 21 错误测试数 17 可靠性 8.5 尝试通过率 19.1% 不稳定测试 0 输入令牌 43,264 输出令牌 8,278 推理令牌 0 响应时间（平均） 29.82s 响应时间（总计） 626.26s 响应时间（最大） 159.85s 答案错误: 12 额外格式: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.0 编程 : 3.9 综合 : 3.5 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 3.9 指令遵循 : 6.5 谜题求解 : 3.5 工具调用 : 9.5 常识问答 : 3.0
#137#137	Hunter Alphamedium	5.1	OpenRouter	$0.000	10.33s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 55.6% 不稳定测试 6 输入令牌 28,927 输出令牌 4,682 推理令牌 17,969 响应时间（平均） 10.33s 响应时间（总计） 175.58s 响应时间（最大） 30.53s 答案错误: 4 未遵循指令: 2 超时: 2 API 错误: 1 额外格式: 1 反AI技巧 : 7.3 编程 : 9.8 综合 : 4.7 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 7.0 指令遵循 : 9.9 谜题求解 : 6.1 工具调用 : 10.0 常识问答 : 0.0
#138#138	Mistral Small 4medium	5.1	Mistral	$0.068	9.40s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 44.4% 不稳定测试 8 输入令牌 42,576 输出令牌 24,184 推理令牌 84,678 响应时间（平均） 9.40s 响应时间（总计） 197.39s 响应时间（最大） 59.15s 答案错误: 12 API 错误: 2 未遵循指令: 2 反AI技巧 : 5.6 编程 : 4.4 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
#139#139	MiMo-V2.5none	5.1	Xiaomi	$0.006 ↓	2.20s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 27.0% 不稳定测试 1 输入令牌 41,985 输出令牌 2,267 推理令牌 0 响应时间（平均） 2.20s 响应时间（总计） 46.21s 响应时间（最大） 6.86s 答案错误: 14 额外格式: 1 未遵循指令: 1 反AI技巧 : 3.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#140#140	Qwen3.5-9Bnone	5.1	Qwen	$0.006 ↑	1.89s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 20.6% 不稳定测试 1 输入令牌 48,041 输出令牌 3,952 推理令牌 0 响应时间（平均） 1.89s 响应时间（总计） 39.68s 响应时间（最大） 6.03s 答案错误: 14 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 3.1 编程 : 3.9 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.4 指令遵循 : 6.5 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#141#141	Grok 4.20 Multi Agent Betamedium	5.0	X AI	$5.599 ↑	9.69s
查看模型卡片总测试数 18 错误测试数 10 可靠性不适用尝试通过率 50.8% 不稳定测试 5 输入令牌 721,952 输出令牌 294,668 推理令牌 305,374 响应时间（平均） 9.69s 响应时间（总计） 155.07s 响应时间（最大） 35.28s 答案错误: 4 API 错误: 2 额外格式: 2 未遵循指令: 2 反AI技巧 : 6.9 编程 : 3.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.8 指令遵循 : 9.8 谜题求解 : 6.7 工具调用 : 3.0 常识问答 : 0.0
#142#142	Trinity Large Previewnone	5.0	Arcee AI	$0.008 ↑	2.98s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 22.2% 不稳定测试 2 输入令牌 29,828 输出令牌 2,169 推理令牌 0 响应时间（平均） 2.98s 响应时间（总计） 56.57s 响应时间（最大） 14.34s 答案错误: 12 未遵循指令: 3 API 错误: 2 反AI技巧 : 3.1 编程 : 3.7 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.5 指令遵循 : 3.5 谜题求解 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#143#143	Laguna M.1medium	5.0	Poolside	$0.033 ↕	14.73s
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 47.6% 不稳定测试 2 输入令牌 44,969 输出令牌 58,087 推理令牌 0 响应时间（平均） 14.73s 响应时间（总计） 220.93s 响应时间（最大） 53.14s API 错误: 4 答案错误: 4 未遵循指令: 1 无答案: 1 反AI技巧 : 6.5 编程 : 1.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 3.0 指令遵循 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#144#144	GPT-4o-mininone	5.0	OpenAI	$0.006	1.77s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 23.8% 不稳定测试 0 输入令牌 31,518 输出令牌 1,982 推理令牌 0 响应时间（平均） 1.77s 响应时间（总计） 24.80s 响应时间（最大） 7.58s 答案错误: 15 未遵循指令: 1 反AI技巧 : 4.8 编程 : 3.2 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#145#145	Cobuddymedium	4.9	Baidu	$0.000	39.90s
查看模型卡片总测试数 21 错误测试数 14 可靠性 10.0 尝试通过率 47.6% 不稳定测试 6 输入令牌 37,449 输出令牌 1,677 推理令牌 116,703 响应时间（平均） 39.90s 响应时间（总计） 797.98s 响应时间（最大） 309.02s 答案错误: 9 未遵循指令: 3 API 错误: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 3.7 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 : 3.6 工具调用 : 10.0 常识问答 : 3.0
#146#146	GLM 4.7 Flashnone	4.9	Z.ai	$0.004	2.86s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 36.5% 不稳定测试 3 输入令牌 38,745 输出令牌 2,521 推理令牌 0 响应时间（平均） 2.86s 响应时间（总计） 40.04s 响应时间（最大） 7.05s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 5.2 编程 : 4.3 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
#147#147	Nemotron 3 Supernone	4.9	NVIDIA	$0.006 ↑	5.30s
查看模型卡片总测试数 21 错误测试数 16 可靠性 10.0 尝试通过率 31.8% 不稳定测试 3 输入令牌 36,456 输出令牌 6,195 推理令牌 0 响应时间（平均） 5.30s 响应时间（总计） 111.31s 响应时间（最大） 16.45s 答案错误: 14 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 4.6 指令遵循 : 6.3 谜题求解 : 5.5 工具调用 : 4.7 常识问答 : 3.0
#148#148	Ling-2.6-flashnone	4.9	Inclusionai	$0.001 ↑	9.34s
查看模型卡片总测试数 21 错误测试数 15 可靠性 10.0 尝试通过率 31.8% 不稳定测试 2 输入令牌 40,718 输出令牌 2,878 推理令牌 0 响应时间（平均） 9.34s 响应时间（总计） 177.48s 响应时间（最大） 35.34s 答案错误: 9 API 错误: 2 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 6.8 编程 : 5.3 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
#149#149	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↕	55.10s
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 47.6% 不稳定测试 2 输入令牌 7,599 输出令牌 39,954 推理令牌 0 响应时间（平均） 55.10s 响应时间（总计） 881.55s 响应时间（最大） 143.82s API 错误: 5 答案错误: 5 未遵循指令: 2 反AI技巧 : 9.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.3 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#150#150	GPT-5.4 Nanonone	4.8	OpenAI	$0.011	1.48s
查看模型卡片总测试数 21 错误测试数 17 可靠性 10.0 尝试通过率 30.2% 不稳定测试 5 输入令牌 34,212 输出令牌 2,784 推理令牌 0 响应时间（平均） 1.48s 响应时间（总计） 31.01s 响应时间（最大） 4.47s 答案错误: 15 未遵循指令: 2 反AI技巧 : 3.5 编程 : 4.6 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 2.9 通用智能 : 3.8 指令遵循 : 6.3 谜题求解 : 5.4 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