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）
#151#151	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
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 118,998 输出令牌 30,750 推理令牌 491,730 响应时间（平均） 48.18s 响应时间（总计） 1059.93s 响应时间（最大） 422.72s 答案错误: 10 无答案: 2 无效工具调用: 1 反AI技巧 : 4.8 编程 : 5.5 综合 : 6.3 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 : 9.8 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#152#152	Hy3 previewmedium	6.5	Tencent	$0.049 ↕	16.28s
查看模型卡片总测试数 21 错误测试数 7 可靠性 10.0 尝试通过率 63.6% 不稳定测试 0 输入令牌 27,030 输出令牌 73,544 推理令牌 0 响应时间（平均） 16.28s 响应时间（总计） 293.12s 响应时间（最大） 46.04s API 错误: 3 答案错误: 3 未遵循指令: 1 反AI技巧 : 10.0 编程 : 5.3 综合 : 5.0 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 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#153#153	Gemini 3.1 Flash Lite Previewnone	6.4	Google	$0.052	1.56s
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 57.6% 不稳定测试 1 输入令牌 120,955 输出令牌 14,161 推理令牌 0 响应时间（平均） 1.56s 响应时间（总计） 34.32s 响应时间（最大） 9.27s 答案错误: 7 未遵循指令: 2 无答案: 1 反AI技巧 : 7.5 编程 : 5.5 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 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#154#154	Qwen3.6 Max Previewnone	6.4	Qwen	$0.228 ↓	7.82s
查看模型卡片总测试数 22 错误测试数 11 可靠性 9.9 尝试通过率 56.1% 不稳定测试 2 输入令牌 106,348 输出令牌 19,257 推理令牌 0 响应时间（平均） 7.82s 响应时间（总计） 172.04s 响应时间（最大） 102.62s 答案错误: 11 反AI技巧 : 5.2 编程 : 3.8 综合 : 6.5 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 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#155#155	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
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 57.6% 不稳定测试 5 输入令牌 113,889 输出令牌 110,550 推理令牌 496,487 响应时间（平均） 61.81s 响应时间（总计） 1359.72s 响应时间（最大） 417.36s 答案错误: 7 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 : 7.3 领域专项 : 3.6 通用智能 : 4.0 指令遵循 : 7.9 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#156#156	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
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 59.1% 不稳定测试 6 输入令牌 127,621 输出令牌 141,858 推理令牌 590,204 响应时间（平均） 67.81s 响应时间（总计） 1491.80s 响应时间（最大） 480.52s 答案错误: 8 无答案: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 8.7 编程 : 5.8 综合 : 6.9 数据解析与提取 : 7.3 领域专项 : 5.3 通用智能 : 3.4 指令遵循 : 8.3 谜题求解 : 5.5 工具调用 : 10.0 常识问答 : 3.0
#157#157	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 40.9% 不稳定测试 2 输入令牌 108,752 输出令牌 9,375 推理令牌 0 响应时间（平均） 5.17s 响应时间（总计） 113.83s 响应时间（最大） 48.38s 答案错误: 13 额外格式: 1 反AI技巧 : 4.8 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 : 5.0 指令遵循 : 6.5 谜题求解 : 4.0 工具调用 : 10.0 常识问答 : 3.0
#158#158	MiMo-V2.5medium	6.4	Xiaomi	$0.104 ↓	46.28s
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 7 输入令牌 105,456 输出令牌 7,108 推理令牌 319,940 响应时间（平均） 46.28s 响应时间（总计） 1018.12s 响应时间（最大） 316.27s 答案错误: 5 额外格式: 2 无答案: 2 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 6.2 综合 : 8.7 数据解析与提取 : 2.7 领域专项 : 3.6 通用智能 : 5.4 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#159#159	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
查看模型卡片总测试数 22 错误测试数 10 可靠性 9.8 尝试通过率 63.6% 不稳定测试 4 输入令牌 132,044 输出令牌 92,135 推理令牌 207,321 响应时间（平均） 13.70s 响应时间（总计） 287.75s 响应时间（最大） 75.27s 答案错误: 7 无效工具调用: 2 API 错误: 1 反AI技巧 : 10.0 编程 : 6.7 综合 : 2.9 数据解析与提取 : 7.3 领域专项 : 3.0 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#160#160	Ring-2.6-1Tmedium	6.4	Inclusionai	$0.102 ↑	68.80s
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 59.1% 不稳定测试 3 输入令牌 113,613 输出令牌 122,706 推理令牌 42,325 响应时间（平均） 68.80s 响应时间（总计） 1375.99s 响应时间（最大） 304.19s 答案错误: 6 API 错误: 2 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.3 综合 : 7.3 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 4.1 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#161#161	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
查看模型卡片总测试数 21 错误测试数 9 可靠性 9.6 尝试通过率 69.7% 不稳定测试 5 输入令牌 40,961 输出令牌 2,518 推理令牌 81,801 响应时间（平均） 22.16s 响应时间（总计） 443.22s 响应时间（最大） 136.29s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 10.0 编程 : 6.0 综合 : 2.3 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 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#162#162	MiMo-V2-Flashmedium	6.3	Xiaomi	$0.043 ↑	20.11s
查看模型卡片总测试数 21 错误测试数 9 可靠性 10.0 尝试通过率 62.1% 不稳定测试 3 输入令牌 40,111 输出令牌 12,476 推理令牌 125,039 响应时间（平均） 20.11s 响应时间（总计） 301.59s 响应时间（最大） 96.01s 答案错误: 5 API 错误: 1 额外格式: 1 未遵循指令: 1 超时: 1 反AI技巧 : 8.1 编程 : 6.0 综合 : 4.9 数据解析与提取 : 6.5 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#163#163	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 40.9% 不稳定测试 3 输入令牌 142,206 输出令牌 14,744 推理令牌 0 响应时间（平均） 4.37s 响应时间（总计） 96.20s 响应时间（最大） 44.58s 答案错误: 13 无答案: 1 反AI技巧 : 3.0 编程 : 5.6 综合 : 3.0 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 : 10.0 谜题求解 : 5.3 工具调用 : 10.0 常识问答 : 3.0
#164#164	Gemma 4 31Bmedium	6.2	Google	$0.101 ↓	78.59s
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 94,969 输出令牌 34,399 推理令牌 233,022 响应时间（平均） 78.59s 响应时间（总计） 1571.84s 响应时间（最大） 437.40s 答案错误: 3 API 错误: 2 超时: 2 无效工具调用: 1 无答案: 1 反AI技巧 : 10.0 编程 : 4.3 综合 : 2.9 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 : 9.9 工具调用 : 3.0 常识问答 : 3.0
#165#165	GPT-5.6 Lunalow	6.2	OpenAI	$0.026 ↓	5.20s
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 54.5% 不稳定测试 5 输入令牌 96,355 输出令牌 8,213 推理令牌 18,073 响应时间（平均） 5.20s 响应时间（总计） 114.46s 响应时间（最大） 19.44s 答案错误: 10 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 : 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 : 8.5 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#166#166	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 40.9% 不稳定测试 4 输入令牌 161,032 输出令牌 22,508 推理令牌 0 响应时间（平均） 6.05s 响应时间（总计） 132.99s 响应时间（最大） 33.39s 答案错误: 8 额外格式: 4 无答案: 2 未遵循指令: 1 反AI技巧 : 5.3 编程 : 4.6 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.7 指令遵循 : 6.4 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#167#167	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.85s
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 51.5% 不稳定测试 3 输入令牌 119,076 输出令牌 11,118 推理令牌 0 响应时间（平均） 1.85s 响应时间（总计） 40.74s 响应时间（最大） 12.97s 答案错误: 8 未遵循指令: 3 无答案: 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 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.0 工具调用 : 10.0 常识问答 : 3.0
#168#168	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.623 ↑	110.84s
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 6 输入令牌 130,450 输出令牌 54,857 推理令牌 838,606 响应时间（平均） 110.84s 响应时间（总计） 2438.58s 响应时间（最大） 950.25s 超时: 4 无答案: 3 答案错误: 2 API 错误: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 5.9 综合 : 3.8 数据解析与提取 : 7.3 领域专项 : 3.5 通用智能 : 2.8 指令遵循 : 10.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#169#169	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	20.81s
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 50.0% 不稳定测试 5 输入令牌 108,767 输出令牌 29,378 推理令牌 68,904 响应时间（平均） 20.81s 响应时间（总计） 332.88s 响应时间（最大） 68.16s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.7 编程 : 5.9 综合 : 6.5 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 : 5.3 工具调用 : 9.8 常识问答 : 3.0
#170#170	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 36.4% 不稳定测试 2 输入令牌 218,740 输出令牌 90,507 推理令牌 0 响应时间（平均） 10.05s 响应时间（总计） 221.13s 响应时间（最大） 186.24s 答案错误: 13 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.8 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 : 3.7 工具调用 : 10.0 常识问答 : 3.0
#171#171	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
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 50.0% 不稳定测试 4 输入令牌 118,059 输出令牌 10,723 推理令牌 0 响应时间（平均） 1.75s 响应时间（总计） 38.42s 响应时间（最大） 16.25s 答案错误: 11 未遵循指令: 1 无答案: 1 反AI技巧 : 7.5 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.0 指令遵循 : 10.0 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#172#172	Qwen3.5-Flashmedium	6.1	Qwen	$0.142 ↓	84.44s
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 6 输入令牌 118,508 输出令牌 35,457 推理令牌 477,389 响应时间（平均） 84.44s 响应时间（总计） 1773.20s 响应时间（最大） 515.38s 答案错误: 5 超时: 3 API 错误: 1 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 10.0 编程 : 3.7 综合 : 6.4 数据解析与提取 : 7.3 领域专项 : 2.9 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
#173#173	Inklinglow	6.1	Thinkingmachines	$0.181 ↓	5.11s
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 54.6% 不稳定测试 4 输入令牌 109,893 输出令牌 8,580 推理令牌 10,324 响应时间（平均） 5.11s 响应时间（总计） 112.46s 响应时间（最大） 41.58s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 反AI技巧 : 8.3 编程 : 5.1 综合 : 2.9 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 : 9.8 谜题求解 : 6.4 工具调用 : 3.0 常识问答 : 3.0
#174#174	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.798	85.44s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 48.5% 不稳定测试 6 输入令牌 118,486 输出令牌 156,166 推理令牌 860,619 响应时间（平均） 85.44s 响应时间（总计） 1879.75s 响应时间（最大） 525.14s 答案错误: 8 未遵循指令: 4 无效工具调用: 2 反AI技巧 : 6.8 编程 : 7.5 综合 : 2.9 数据解析与提取 : 6.3 领域专项 : 5.3 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 5.2 工具调用 : 10.0 常识问答 : 3.0
#175#175	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
查看模型卡片总测试数 22 错误测试数 15 可靠性 10.0 尝试通过率 34.9% 不稳定测试 1 输入令牌 139,797 输出令牌 30,947 推理令牌 0 响应时间（平均） 3.73s 响应时间（总计） 81.95s 响应时间（最大） 48.79s 答案错误: 12 无效工具调用: 2 未遵循指令: 1 反AI技巧 : 3.1 编程 : 5.4 综合 : 3.8 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
#176#176	Gemma 4 31Bnone	6.1	Google	$0.018 ↓	5.41s
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 43.9% 不稳定测试 1 输入令牌 125,703 输出令牌 13,317 推理令牌 0 响应时间（平均） 5.41s 响应时间（总计） 108.12s 响应时间（最大） 29.95s 答案错误: 10 API 错误: 2 未遵循指令: 1 反AI技巧 : 6.5 编程 : 5.5 综合 : 3.8 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 : 6.5 谜题求解 : 6.5 工具调用 : 3.0 常识问答 : 3.0
#177#177	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 43.9% 不稳定测试 4 输入令牌 94,477 输出令牌 51,487 推理令牌 0 响应时间（平均） 13.10s 响应时间（总计） 288.23s 响应时间（最大） 206.05s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 3.9 综合 : 6.4 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
#178#178	Nemotron 3 Ultranone	6.1	NVIDIA	$0.095 ↕	3.88s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 42.4% 不稳定测试 2 输入令牌 101,168 输出令牌 9,470 推理令牌 0 响应时间（平均） 3.88s 响应时间（总计） 85.33s 响应时间（最大） 37.50s 答案错误: 11 API 错误: 2 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 : 10.0 领域专项 : 5.3 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#179#179	Trinity Large Thinkinglow	6.0	Arcee AI	$0.658	96.61s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 47.0% 不稳定测试 5 输入令牌 122,854 输出令牌 119,810 推理令牌 698,549 响应时间（平均） 96.61s 响应时间（总计） 2125.51s 响应时间（最大） 540.96s 答案错误: 7 API 错误: 2 未遵循指令: 2 无效工具调用: 2 无答案: 1 反AI技巧 : 8.3 编程 : 5.3 综合 : 5.2 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 10.0 指令遵循 : 4.4 谜题求解 : 6.3 工具调用 : 10.0 常识问答 : 3.0
#180#180	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
查看模型卡片总测试数 22 错误测试数 14 可靠性 10.0 尝试通过率 39.4% 不稳定测试 1 输入令牌 39,886 输出令牌 1,890 推理令牌 0 响应时间（平均） 6.19s 响应时间（总计） 136.23s 响应时间（最大） 118.00s 答案错误: 13 无效工具调用: 1 反AI技巧 : 3.0 编程 : 5.5 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 3.6 通用智能 : 5.0 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