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）
#176#176	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
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 58.0% 不稳定测试 1 输入令牌 358,616 输出令牌 9,651 推理令牌 520,155 响应时间（平均） 55.13s 响应时间（总计） 1268.10s 响应时间（最大） 252.69s 答案错误: 6 额外格式: 3 无效工具调用: 1 智能体任务 : 3.4 反AI技巧 : 8.3 编程 : 5.7 综合 : 10.0 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 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#177#177	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
查看模型卡片总测试数 23 错误测试数 15 可靠性 10.0 尝试通过率 37.7% 不稳定测试 2 输入令牌 463,872 输出令牌 219,122 推理令牌 0 响应时间（平均） 26.52s 响应时间（总计） 609.94s 响应时间（最大） 480.96s 答案错误: 14 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 3.5 编程 : 5.5 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 : 6.3 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#178#178	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 7 输入令牌 384,974 输出令牌 13,946 推理令牌 371,916 响应时间（平均） 145.21s 响应时间（总计） 3339.87s 响应时间（最大） 640.89s 答案错误: 7 未遵循指令: 2 API 错误: 1 无答案: 1 超时: 1 智能体任务 : 6.1 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
#179#179	Grok 4.7high	6.7	X AI	$3.037	122.19s
查看模型卡片总测试数 23 错误测试数 10 可靠性 9.6 尝试通过率 72.5% 不稳定测试 7 输入令牌 329,276 输出令牌 8,172 推理令牌 479,012 响应时间（平均） 122.19s 响应时间（总计） 2810.40s 响应时间（最大） 573.57s 无答案: 3 未遵循指令: 2 无效工具调用: 2 答案错误: 2 API 错误: 1 智能体任务 : 3.0 反AI技巧 : 8.7 编程 : 6.0 综合 : 8.6 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 8.4 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#180#180	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
查看模型卡片总测试数 23 错误测试数 12 可靠性 9.7 尝试通过率 59.4% 不稳定测试 5 输入令牌 166,517 输出令牌 107,386 推理令牌 217,548 响应时间（平均） 77.03s 响应时间（总计） 1694.74s 响应时间（最大） 431.03s 答案错误: 5 超时: 3 未遵循指令: 2 额外格式: 1 无答案: 1 智能体任务 : 3.0 反AI技巧 : 5.5 编程 : 6.1 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 3.2 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 7.9 工具调用 : 10.0 常识问答 : 3.0
#181#181	Ember-1max	6.7	Fireworks	$3.264	97.34s
查看模型卡片总测试数 23 错误测试数 12 可靠性 8.3 尝试通过率 59.4% 不稳定测试 6 输入令牌 153,399 输出令牌 7,803 推理令牌 179,098 响应时间（平均） 97.34s 响应时间（总计） 2238.73s 响应时间（最大） 587.08s API 错误: 8 答案错误: 3 无答案: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.2 综合 : 6.5 数据解析与提取 : 6.4 领域专项 : 3.6 通用智能 : 10.0 指令遵循 : 6.2 谜题求解 : 7.7 工具调用 : 3.0 常识问答 : 3.0
#182#182	GPT 5.3 Chatnone	6.7	OpenAI	$0.533	6.31s
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 62.3% 不稳定测试 4 输入令牌 78,846 输出令牌 28,179 推理令牌 0 响应时间（平均） 6.31s 响应时间（总计） 138.73s 响应时间（最大） 18.33s 答案错误: 6 API 错误: 2 未遵循指令: 2 智能体任务 : 3.0 反AI技巧 : 6.7 编程 : 5.6 综合 : 10.0 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 4.6 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#183#183	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 3 输入令牌 207,852 输出令牌 5,555 推理令牌 0 响应时间（平均） 4.61s 响应时间（总计） 105.93s 响应时间（最大） 58.28s 答案错误: 10 未遵循指令: 1 智能体任务 : 5.0 反AI技巧 : 8.3 编程 : 5.5 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 6.5 指令遵循 : 8.5 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#184#184	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
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 58.0% 不稳定测试 4 输入令牌 255,173 输出令牌 9,891 推理令牌 17,277 响应时间（平均） 11.82s 响应时间（总计） 271.92s 响应时间（最大） 90.45s 答案错误: 8 未遵循指令: 2 额外格式: 1 无效工具调用: 1 智能体任务 : 10.0 反AI技巧 : 8.7 编程 : 5.4 综合 : 3.8 数据解析与提取 : 6.5 领域专项 : 3.6 通用智能 : 5.0 指令遵循 : 10.0 谜题求解 : 7.8 工具调用 : 10.0 常识问答 : 3.0
#185#185	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
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 56.5% 不稳定测试 2 输入令牌 205,108 输出令牌 6,197 推理令牌 0 响应时间（平均） 4.75s 响应时间（总计） 109.31s 响应时间（最大） 57.53s 答案错误: 11 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 : 6.2 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#186#186	GLM 5.2none	6.6	Z.ai	$0.173 ↓	11.27s
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 63.8% 不稳定测试 3 输入令牌 247,919 输出令牌 17,685 推理令牌 0 响应时间（平均） 11.27s 响应时间（总计） 259.32s 响应时间（最大） 79.65s 答案错误: 8 未遵循指令: 1 无效工具调用: 1 智能体任务 : 6.1 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
#187#187	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
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 62.3% 不稳定测试 8 输入令牌 300,394 输出令牌 14,081 推理令牌 500,844 响应时间（平均） 51.80s 响应时间（总计） 1191.42s 响应时间（最大） 593.64s 答案错误: 8 未遵循指令: 4 无效工具调用: 1 智能体任务 : 5.2 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
#188#188	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
查看模型卡片总测试数 23 错误测试数 13 可靠性 9.9 尝试通过率 55.1% 不稳定测试 5 输入令牌 262,387 输出令牌 7,344 推理令牌 338,881 响应时间（平均） 115.00s 响应时间（总计） 2645.11s 响应时间（最大） 560.39s 答案错误: 8 API 错误: 2 未遵循指令: 1 无答案: 1 超时: 1 智能体任务 : 6.1 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
#189#189	Mercury 2medium	6.6	Inception	$0.121	4.40s
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 53.6% 不稳定测试 5 输入令牌 189,300 输出令牌 10,854 推理令牌 86,089 响应时间（平均） 4.40s 响应时间（总计） 96.81s 响应时间（最大） 34.92s 答案错误: 9 未遵循指令: 3 无效工具调用: 1 智能体任务 : 4.7 反AI技巧 : 6.9 编程 : 8.2 综合 : 6.7 数据解析与提取 : 7.3 领域专项 : 2.9 通用智能 : 4.8 指令遵循 : 10.0 谜题求解 : 5.4 工具调用 : 10.0 常识问答 : 3.0
#190#190	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
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 58.0% 不稳定测试 4 输入令牌 421,200 输出令牌 1,100,052 推理令牌 0 响应时间（平均） 72.72s 响应时间（总计） 1672.53s 响应时间（最大） 364.99s 答案错误: 8 无答案: 2 API 错误: 1 无效工具调用: 1 智能体任务 : 5.4 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
#191#191	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
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 65.2% 不稳定测试 8 输入令牌 87,682 输出令牌 7,166 推理令牌 106,027 响应时间（平均） 19.40s 响应时间（总计） 446.11s 响应时间（最大） 209.15s 答案错误: 10 API 错误: 2 智能体任务 : 3.0 反AI技巧 : 6.9 编程 : 7.8 综合 : 6.4 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 6.4 工具调用 : 10.0 常识问答 : 3.0
#192#192	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 40.6% 不稳定测试 1 输入令牌 361,183 输出令牌 26,609 推理令牌 11,139 响应时间（平均） 8.03s 响应时间（总计） 184.80s 响应时间（最大） 51.18s 额外格式: 8 未遵循指令: 3 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 : 3.4 综合 : 8.5 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 5.1 指令遵循 : 6.3 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#193#193	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
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 58.0% 不稳定测试 3 输入令牌 282,192 输出令牌 75,306 推理令牌 700,868 响应时间（平均） 59.92s 响应时间（总计） 1258.32s 响应时间（最大） 817.57s 答案错误: 6 API 错误: 2 未遵循指令: 1 无效工具调用: 1 无答案: 1 智能体任务 : 6.1 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
#194#194	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
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 65.2% 不稳定测试 6 输入令牌 298,512 输出令牌 3,178 推理令牌 177,419 响应时间（平均） 7.61s 响应时间（总计） 175.08s 响应时间（最大） 86.84s 答案错误: 6 未遵循指令: 2 API 错误: 1 无效工具调用: 1 超时: 1 智能体任务 : 6.1 反AI技巧 : 10.0 编程 : 6.7 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 9.8 谜题求解 : 10.0 工具调用 : 3.0 常识问答 : 3.0
#195#195	Mercury 2.5high	6.5	Inception	$0.044	7.62s
查看模型卡片总测试数 23 错误测试数 11 可靠性 9.8 尝试通过率 59.4% 不稳定测试 4 输入令牌 358,562 输出令牌 4,266 推理令牌 189,410 响应时间（平均） 7.62s 响应时间（总计） 175.36s 响应时间（最大） 80.30s 答案错误: 9 API 错误: 1 无答案: 1 智能体任务 : 3.9 反AI技巧 : 10.0 编程 : 6.4 综合 : 6.4 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 : 6.5 谜题求解 : 8.7 工具调用 : 10.0 常识问答 : 3.0
#196#196	GLM 5.3low	6.5	Z.ai	$0.155 ↓	15.18s
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 63.8% 不稳定测试 5 输入令牌 247,871 输出令牌 10,791 推理令牌 17,315 响应时间（平均） 15.18s 响应时间（总计） 349.06s 响应时间（最大） 83.60s 答案错误: 8 无效工具调用: 2 未遵循指令: 1 智能体任务 : 5.2 反AI技巧 : 6.9 编程 : 6.2 综合 : 3.8 数据解析与提取 : 10.0 领域专项 : 5.3 通用智能 : 4.1 指令遵循 : 10.0 谜题求解 : 10.0 工具调用 : 10.0 常识问答 : 3.0
#197#197	GLM 5.1none	6.5	Z.ai	$0.385 ↑	11.10s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 47.8% 不稳定测试 5 输入令牌 258,956 输出令牌 20,076 推理令牌 0 响应时间（平均） 11.10s 响应时间（总计） 255.39s 响应时间（最大） 107.19s 答案错误: 12 无效工具调用: 1 无答案: 1 智能体任务 : 10.0 反AI技巧 : 4.0 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 : 5.0 指令遵循 : 9.8 谜题求解 : 7.7 工具调用 : 10.0 常识问答 : 3.0
#198#198	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
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 6 输入令牌 106,085 输出令牌 9,071 推理令牌 135,288 响应时间（平均） 21.21s 响应时间（总计） 487.83s 响应时间（最大） 199.97s 答案错误: 10 API 错误: 1 无效工具调用: 1 智能体任务 : 3.0 反AI技巧 : 7.0 编程 : 6.4 综合 : 7.3 数据解析与提取 : 10.0 领域专项 : 2.9 通用智能 : 5.1 指令遵循 : 9.9 谜题求解 : 8.2 工具调用 : 10.0 常识问答 : 3.0
#199#199	Grok 4.3medium	6.5	X AI	$0.989	44.53s
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 63.8% 不稳定测试 5 输入令牌 325,471 输出令牌 14,867 推理令牌 217,675 响应时间（平均） 44.53s 响应时间（总计） 1024.25s 响应时间（最大） 216.69s 答案错误: 6 未遵循指令: 2 额外格式: 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 : 5.9 综合 : 6.5 数据解析与提取 : 10.0 领域专项 : 3.5 通用智能 : 5.4 指令遵循 : 9.8 谜题求解 : 5.9 工具调用 : 10.0 常识问答 : 3.0
#200#200	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
查看模型卡片总测试数 23 错误测试数 14 可靠性 10.0 尝试通过率 46.4% 不稳定测试 3 输入令牌 352,516 输出令牌 33,786 推理令牌 504,506 响应时间（平均） 48.97s 响应时间（总计） 1126.35s 响应时间（最大） 422.72s 答案错误: 10 无效工具调用: 2 无答案: 2 智能体任务 : 6.1 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

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