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：: 2026-10-01 已评估模型: 382

382/382

排名	模型	分数	公司	总成本	响应时间（平均）
#151#151	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
查看模型卡片总测试数 23 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 256,428 输出令牌 9,786 推理令牌 575,630 响应时间（平均） 54.57s 响应时间（总计） 1255.15s 响应时间（最大） 345.18s 答案错误: 5 未遵循指令: 2 无答案: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 8.4 综合 : 6.6 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 : 8.0 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#152#152	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 69.6% 不稳定测试 7 输入令牌 259,664 输出令牌 8,414 推理令牌 333,097 响应时间（平均） 49.20s 响应时间（总计） 1131.69s 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 智能体任务 : 10.0 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
#153#153	GPT-5.2 Chatnone	7.0	OpenAI	$0.594	7.43s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 66.7% 不稳定测试 4 输入令牌 101,104 输出令牌 29,742 推理令牌 0 响应时间（平均） 7.43s 响应时间（总计） 163.35s 响应时间（最大） 38.52s 答案错误: 6 API 错误: 2 未遵循指令: 1 无答案: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 8.8 综合 : 7.3 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#154#154	Qwen3.6 Max Previewmedium	7.0	Qwen	$1.132 ↓	66.52s
查看模型卡片总测试数 22 错误测试数 5 可靠性 10.0 尝试通过率 79.7% 不稳定测试 2 输入令牌 79,249 输出令牌 5,097 推理令牌 165,276 响应时间（平均） 66.52s 响应时间（总计） 1463.50s 响应时间（最大） 238.07s 答案错误: 4 超时: 1 智能体任务 : 0.0 反AI技巧 : 10.0 编程 : 8.8 综合 : 7.3 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
#155#155	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 60.9% 不稳定测试 0 输入令牌 272,221 输出令牌 12,345 推理令牌 47,189 响应时间（平均） 6.78s 响应时间（总计） 155.96s 响应时间（最大） 54.91s 答案错误: 7 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 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 : 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
#156#156	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 60.9% 不稳定测试 5 输入令牌 245,179 输出令牌 62,697 推理令牌 196,621 响应时间（平均） 81.18s 响应时间（总计） 1785.87s 响应时间（最大） 365.80s 答案错误: 8 超时: 2 API 错误: 1 未遵循指令: 1 智能体任务 : 5.0 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
#157#157	Ember-1low	7.0	Fireworks	$1.488	34.90s
查看模型卡片总测试数 23 错误测试数 10 可靠性 8.8 尝试通过率 65.2% 不稳定测试 5 输入令牌 211,908 输出令牌 14,158 推理令牌 42,608 响应时间（平均） 34.90s 响应时间（总计） 802.79s 响应时间（最大） 121.29s API 错误: 6 答案错误: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 8.2 编程 : 10.0 综合 : 6.5 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 : 6.2 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#158#158	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 71.0% 不稳定测试 5 输入令牌 251,695 输出令牌 49,415 推理令牌 472,775 响应时间（平均） 66.96s 响应时间（总计） 1539.99s 响应时间（最大） 519.30s 答案错误: 5 无效工具调用: 2 超时: 2 智能体任务 : 6.1 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
#159#159	Grok 4.6low	6.9	X AI	$0.781	16.44s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 1 输入令牌 263,427 输出令牌 6,006 推理令牌 36,309 响应时间（平均） 16.44s 响应时间（总计） 378.14s 响应时间（最大） 57.97s 答案错误: 8 智能体任务 : 5.0 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
#160#160	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
查看模型卡片总测试数 23 错误测试数 7 可靠性 10.0 尝试通过率 72.5% 不稳定测试 2 输入令牌 251,677 输出令牌 11,196 推理令牌 31,204 响应时间（平均） 8.51s 响应时间（总计） 195.76s 响应时间（最大） 52.64s 答案错误: 7 智能体任务 : 5.0 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
#161#161	Muse Glimmer 30Blow	6.9	Meta	$0.266	22.40s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 63.8% 不稳定测试 6 输入令牌 307,228 输出令牌 36,044 推理令牌 71,621 响应时间（平均） 22.40s 响应时间（总计） 515.14s 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: 2 无答案: 1 智能体任务 : 6.1 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
#162#162	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 59.4% 不稳定测试 2 输入令牌 228,023 输出令牌 10,779 推理令牌 53,188 响应时间（平均） 6.27s 响应时间（总计） 144.10s 响应时间（最大） 47.78s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 5.0 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
#163#163	Ember-1high	6.9	Fireworks	$2.405	58.14s
查看模型卡片总测试数 23 错误测试数 11 可靠性 8.6 尝试通过率 71.0% 不稳定测试 8 输入令牌 195,489 输出令牌 12,475 推理令牌 108,748 响应时间（平均） 58.14s 响应时间（总计） 1337.19s 响应时间（最大） 255.06s API 错误: 7 答案错误: 2 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 反AI技巧 : 8.7 编程 : 8.2 综合 : 6.4 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 : 7.1 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#164#164	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
查看模型卡片总测试数 23 错误测试数 9 可靠性 10.0 尝试通过率 66.7% 不稳定测试 3 输入令牌 251,164 输出令牌 36,112 推理令牌 241,203 响应时间（平均） 78.76s 响应时间（总计） 1653.96s 响应时间（最大） 437.40s 答案错误: 4 API 错误: 2 无效工具调用: 1 无答案: 1 超时: 1 智能体任务 : 10.0 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	6.9	OpenAI	$0.049 ↓	6.96s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 56.5% 不稳定测试 5 输入令牌 202,680 输出令牌 9,230 推理令牌 18,771 响应时间（平均） 6.96s 响应时间（总计） 160.19s 响应时间（最大） 45.74s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 智能体任务 : 10.0 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 5.5low	6.9	Anthropic	$0.909	7.46s
查看模型卡片总测试数 23 错误测试数 13 可靠性 10.0 尝试通过率 46.4% 不稳定测试 2 输入令牌 291,853 输出令牌 24,116 推理令牌 8,327 响应时间（平均） 7.46s 响应时间（总计） 171.47s 响应时间（最大） 46.61s 额外格式: 5 未遵循指令: 5 无效工具调用: 1 无答案: 1 答案错误: 1 智能体任务 : 10.0 反AI技巧 : 6.5 编程 : 3.2 综合 : 7.9 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 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#167#167	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 60.9% 不稳定测试 2 输入令牌 345,059 输出令牌 24,343 推理令牌 0 响应时间（平均） 7.54s 响应时间（总计） 173.31s 响应时间（最大） 65.07s 答案错误: 5 额外格式: 3 未遵循指令: 1 无答案: 1 智能体任务 : 5.0 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
#168#168	Kimi K2.6medium	6.8	Moonshot AI	$0.729 ↓	121.25s
查看模型卡片总测试数 23 错误测试数 11 可靠性 10.0 尝试通过率 60.9% 不稳定测试 4 输入令牌 226,880 输出令牌 65,346 推理令牌 331,325 响应时间（平均） 121.25s 响应时间（总计） 2667.55s 响应时间（最大） 876.20s 答案错误: 4 超时: 3 未遵循指令: 2 无效工具调用: 1 无答案: 1 智能体任务 : 5.0 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
#169#169	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
查看模型卡片总测试数 23 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 349,177 输出令牌 54,279 推理令牌 477,389 响应时间（平均） 83.68s 响应时间（总计） 1840.92s 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 智能体任务 : 10.0 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
#170#170	Inklinglow	6.8	Thinkingmachines	$0.298 ↓	6.81s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 56.5% 不稳定测试 4 输入令牌 213,901 输出令牌 9,623 推理令牌 12,414 响应时间（平均） 6.81s 响应时间（总计） 156.70s 响应时间（最大） 44.24s 答案错误: 8 未遵循指令: 2 无效工具调用: 2 智能体任务 : 10.0 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
#171#171	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
查看模型卡片总测试数 23 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 1 输入令牌 397,291 输出令牌 6,355 推理令牌 143,752 响应时间（平均） 6.66s 响应时间（总计） 153.29s 响应时间（最大） 74.63s 答案错误: 4 API 错误: 1 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 7.8 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 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#172#172	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
查看模型卡片总测试数 23 错误测试数 10 可靠性 10.0 尝试通过率 63.8% 不稳定测试 4 输入令牌 235,086 输出令牌 7,989 推理令牌 0 响应时间（平均） 9.02s 响应时间（总计） 207.45s 响应时间（最大） 57.02s 答案错误: 10 智能体任务 : 5.0 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 : 10.0 谜题求解 : 7.6 工具调用 : 10.0 常识问答 : 3.0
#173#173	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
查看模型卡片总测试数 23 错误测试数 12 可靠性 10.0 尝试通过率 59.4% 不稳定测试 5 输入令牌 315,136 输出令牌 219,014 推理令牌 0 响应时间（平均） 36.24s 响应时间（总计） 833.43s 响应时间（最大） 320.00s 答案错误: 10 未遵循指令: 2 智能体任务 : 6.1 反AI技巧 : 6.4 编程 : 5.7 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 7.7 通用智能 : 5.3 指令遵循 : 5.9 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#174#174	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.9 尝试通过率 58.0% 不稳定测试 2 输入令牌 150,033 输出令牌 22,347 推理令牌 402,143 响应时间（平均） 142.76s 响应时间（总计） 3283.43s 响应时间（最大） 491.42s 答案错误: 5 未遵循指令: 3 无答案: 2 额外格式: 1 智能体任务 : 3.0 反AI技巧 : 8.3 编程 : 5.8 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.0 通用智能 : 5.5 指令遵循 : 8.4 谜题求解 : 8.9 工具调用 : 10.0 常识问答 : 3.0
#175#175	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
查看模型卡片总测试数 23 错误测试数 9 可靠性 9.7 尝试通过率 73.9% 不稳定测试 6 输入令牌 310,049 输出令牌 6,094 推理令牌 566,221 响应时间（平均） 123.96s 响应时间（总计） 2851.07s 响应时间（最大） 775.64s 无答案: 4 答案错误: 3 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 5.3 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.7 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0

全球基准趋势

了解当前模型如何权衡得分、成本、速度、输出长度和各类别能力。

图表 →

智能与成本的帕累托前沿

领先公司最高得分随时间的变化

智能与响应速度的帕累托前沿

得分与输出令牌的帕累托前沿

各模型的类别难度

快速对比

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow

AI Benchy 排行榜

推荐模型

筛选模型

全球基准趋势

智能与成本的帕累托前沿

领先公司最高得分随时间的变化

智能与响应速度的帕累托前沿

得分与输出令牌的帕累托前沿

各模型的类别难度

快速对比