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：: 2026-06-04 已评估模型: 163

163/163

排名	模型	分数	公司	总成本	响应时间（平均）
#142#142	Mistral Small 4none	4.9	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
#155#155	Mercury 2none	4.5	Inception	$0.011	653ms
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 23.8% 不稳定测试 2 输入令牌 28,113 输出令牌 4,439 推理令牌 0 响应时间（平均） 653ms 响应时间（总计） 13.72s 响应时间（最大） 1.43s 答案错误: 16 未遵循指令: 1 反AI技巧 : 3.0 编程 : 3.4 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 : 6.5 谜题求解 : 3.1 工具调用 : 10.0 常识问答 : 3.0
#163#163	Granite 4.1 8Bnone	4.0	IBM Granite	$0.003	728ms
查看模型卡片总测试数 21 错误测试数 19 可靠性 10.0 尝试通过率 9.5% 不稳定测试 0 输入令牌 46,285 输出令牌 2,911 推理令牌 0 响应时间（平均） 728ms 响应时间（总计） 15.29s 响应时间（最大） 2.17s 答案错误: 13 未遵循指令: 4 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.9 编程 : 4.5 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 3.0 通用智能 : 4.0 指令遵循 : 3.6 谜题求解 : 3.2 工具调用 : 10.0 常识问答 : 3.0
#162#162	Nemotron 3 Nano Omni 30b A3b Reasoningnone	4.1	NVIDIA	$0.000	728ms
查看模型卡片总测试数 19 错误测试数 17 可靠性 10.0 尝试通过率 17.5% 不稳定测试 2 输入令牌 11,661 输出令牌 1,302 推理令牌 0 响应时间（平均） 728ms 响应时间（总计） 9.47s 响应时间（最大） 2.21s 答案错误: 9 API 错误: 6 未遵循指令: 2 反AI技巧 : 4.8 编程 : 10.0 综合 : 3.0 数据解析与提取 : 3.8 领域专项 : 3.6 通用智能 : 3.0 指令遵循 : 4.8 谜题求解 : 3.0 工具调用 : 3.0 常识问答 : 3.0
#160#160	LFM2-24B-A2Bnone	4.2	Liquid	$0.001	782ms
查看模型卡片总测试数 16 错误测试数 14 可靠性不适用尝试通过率 16.7% 不稳定测试 1 输入令牌 10,771 输出令牌 1,173 推理令牌 0 响应时间（平均） 782ms 响应时间（总计） 10.94s 响应时间（最大） 3.15s 答案错误: 9 API 错误: 4 未遵循指令: 1 反AI技巧 : 3.3 综合 : 3.0 数据解析与提取 : 3.0 领域专项 : 5.9 通用智能 : 4.0 指令遵循 : 6.3 谜题求解 : 3.8 工具调用 : 3.0
#146#146	Laguna Xs.2none	4.8	Poolside	$0.000	806ms
查看模型卡片总测试数 19 错误测试数 14 可靠性 10.0 尝试通过率 26.3% 不稳定测试 0 输入令牌 33,675 输出令牌 2,826 推理令牌 0 响应时间（平均） 806ms 响应时间（总计） 12.09s 响应时间（最大） 2.01s 答案错误: 8 API 错误: 4 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.0 编程 : 2.5 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 : 6.5 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#97#97	Gemini 2.5 Flashnone	6.2	Google	$0.016	875ms
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 46.0% 不稳定测试 1 输入令牌 35,926 输出令牌 1,770 推理令牌 0 响应时间（平均） 875ms 响应时间（总计） 18.37s 响应时间（最大） 4.39s 答案错误: 12 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 : 5.9 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
#90#90	Gemini 3.1 Flash Litenone	6.4	Google	$0.013	1.06s
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 52.4% 不稳定测试 4 输入令牌 36,710 输出令牌 2,484 推理令牌 0 响应时间（平均） 1.06s 响应时间（总计） 22.35s 响应时间（最大） 2.97s 答案错误: 11 未遵循指令: 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
#127#127	Grok 4.20none	5.4	X AI	$0.057 ↓	1.11s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 33.3% 不稳定测试 0 输入令牌 41,313 输出令牌 1,923 推理令牌 0 响应时间（平均） 1.11s 响应时间（总计） 19.96s 响应时间（最大） 6.04s 答案错误: 10 额外格式: 1 无效工具调用: 1 反AI技巧 : 4.8 编程 : 3.4 综合 : 3.0 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 : 5.3 工具调用 : 10.0
#144#144	GPT-5.4 Mininone	4.9	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
#106#106	Grok 4.20 Betanone	5.8	X AI	$0.087 ↓	1.19s
查看模型卡片总测试数 18 错误测试数 12 可靠性不适用尝试通过率 37.0% 不稳定测试 1 输入令牌 40,597 输出令牌 1,657 推理令牌 0 响应时间（平均） 1.19s 响应时间（总计） 21.43s 响应时间（最大） 6.48s 答案错误: 10 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 4.0 编程 : 5.5 综合 : 3.0 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 : 7.7 工具调用 : 10.0
#58#58	Gemini 3.1 Flash Lite Previewnone	7.2	Google	$0.018	1.21s
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 60.3% 不稳定测试 1 输入令牌 37,582 输出令牌 5,547 推理令牌 0 响应时间（平均） 1.21s 响应时间（总计） 25.45s 响应时间（最大） 3.39s 答案错误: 7 未遵循指令: 2 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
#137#137	Elephant Alphanone	5.1	Openrouter	$0.000	1.22s
查看模型卡片总测试数 21 错误测试数 16 可靠性不适用尝试通过率 27.0% 不稳定测试 1 输入令牌 33,743 输出令牌 2,573 推理令牌 0 响应时间（平均） 1.22s 响应时间（总计） 22.03s 响应时间（最大） 3.81s 答案错误: 9 API 错误: 3 未遵循指令: 3 无效工具调用: 1 反AI技巧 : 6.6 编程 : 4.2 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 : 4.2 工具调用 : 3.0 常识问答 : 3.0
#136#136	Elephant Alphamedium	5.1	Openrouter	$0.000	1.27s
查看模型卡片总测试数 21 错误测试数 15 可靠性不适用尝试通过率 30.2% 不稳定测试 1 输入令牌 33,744 输出令牌 2,596 推理令牌 0 响应时间（平均） 1.27s 响应时间（总计） 22.82s 响应时间（最大） 3.70s 答案错误: 9 API 错误: 3 未遵循指令: 2 无效工具调用: 1 反AI技巧 : 6.6 编程 : 3.7 综合 : 3.0 数据解析与提取 : 6.5 领域专项 : 3.0 通用智能 : 4.3 指令遵循 : 9.8 谜题求解 : 5.3 工具调用 : 3.0 常识问答 : 3.0
#34#34	Qwen3.7 Maxnone	7.7	Qwen	$0.054 ↓	1.30s
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 66.7% 不稳定测试 0 输入令牌 37,107 输出令牌 1,994 推理令牌 0 响应时间（平均） 1.30s 响应时间（总计） 27.21s 响应时间（最大） 3.92s 答案错误: 7 反AI技巧 : 6.5 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 : 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
#87#87	Gemini 3.1 Flash Liteminimal	6.4	Google	$0.013	1.33s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 54.0% 不稳定测试 3 输入令牌 36,973 输出令牌 2,487 推理令牌 0 响应时间（平均） 1.33s 响应时间（总计） 27.91s 响应时间（最大） 4.49s 答案错误: 8 未遵循指令: 3 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
#125#125	GPT-5.4none	5.5	OpenAI	$0.122	1.42s
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 36.5% 不稳定测试 2 输入令牌 34,212 输出令牌 2,417 推理令牌 0 响应时间（平均） 1.42s 响应时间（总计） 29.87s 响应时间（最大） 2.95s 答案错误: 13 未遵循指令: 1 反AI技巧 : 3.2 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 : 4.4 指令遵循 : 6.5 谜题求解 : 5.6 工具调用 : 10.0 常识问答 : 3.0
#148#148	GPT-5.4 Nanonone	4.7	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
#32#32	Gemini 3.5 Flashminimal	7.7	Google	$0.108	1.57s
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 68.3% 不稳定测试 1 输入令牌 39,847 输出令牌 5,277 推理令牌 0 响应时间（平均） 1.57s 响应时间（总计） 33.02s 响应时间（最大） 5.51s 答案错误: 5 未遵循指令: 1 无效工具调用: 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 : 10.0 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
#128#128	Qwen3.6 Flashnone	5.4	Qwen	$0.015 ↓	1.60s
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 33.3% 不稳定测试 0 输入令牌 50,810 输出令牌 4,164 推理令牌 0 响应时间（平均） 1.60s 响应时间（总计） 33.59s 响应时间（最大） 4.60s 答案错误: 12 未遵循指令: 1 无效工具调用: 1 反AI技巧 : 3.1 编程 : 5.4 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 : 6.3 谜题求解 : 3.5 工具调用 : 10.0 常识问答 : 3.0
#157#157	Grok 4.1 Fastnone	4.4	X AI	$0.008 ↓	1.62s
查看模型卡片总测试数 19 错误测试数 16 可靠性 10.0 尝试通过率 22.8% 不稳定测试 3 输入令牌 36,608 输出令牌 1,723 推理令牌 0 响应时间（平均） 1.62s 响应时间（总计） 19.48s 响应时间（最大） 5.51s 答案错误: 13 未遵循指令: 3 反AI技巧 : 3.2 编程 : 5.3 综合 : 3.0 数据解析与提取 : 10.0 领域专项 : 5.9 通用智能 : 4.4 指令遵循 : 3.0 谜题求解 : 3.0 工具调用 : 2.8 常识问答 : 3.0
#48#48	Gemini 3 Flash Previewnone	7.4	Google	$0.025	1.65s
查看模型卡片总测试数 21 错误测试数 8 可靠性 10.0 尝试通过率 66.7% 不稳定测试 2 输入令牌 37,011 输出令牌 1,885 推理令牌 0 响应时间（平均） 1.65s 响应时间（总计） 23.07s 响应时间（最大） 3.56s 答案错误: 8 反AI技巧 : 8.3 编程 : 5.5 综合 : 4.7 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
#115#115	Qwen3.5-27Bnone	5.7	Qwen	$0.015 ↓	1.68s
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 38.1% 不稳定测试 2 输入令牌 44,478 输出令牌 3,592 推理令牌 0 响应时间（平均） 1.68s 响应时间（总计） 35.25s 响应时间（最大） 9.39s 答案错误: 12 未遵循指令: 2 反AI技巧 : 4.8 编程 : 5.8 综合 : 2.8 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 : 6.7 工具调用 : 10.0 常识问答 : 3.0
#147#147	GPT-4o-mininone	4.8	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
#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
#61#61	Gemini 3.1 Flash Litelow	7.2	Google	$0.028	1.89s
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 61.9% 不稳定测试 2 输入令牌 36,892 输出令牌 2,732 推理令牌 9,260 响应时间（平均） 1.89s 响应时间（总计） 39.62s 响应时间（最大） 5.66s 答案错误: 9 反AI技巧 : 7.3 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
#91#91	GPT-5.5none	6.4	OpenAI	$0.231	1.89s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 54.0% 不稳定测试 3 输入令牌 34,212 输出令牌 1,971 推理令牌 0 响应时间（平均） 1.89s 响应时间（总计） 39.64s 响应时间（最大） 5.56s 答案错误: 11 反AI技巧 : 6.9 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 : 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
#154#154	Qwen3.5-9Bnone	4.6	Qwen	$0.003 ↓	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
#143#143	MiMo-V2.5none	4.9	Xiaomi	$0.007 ↓	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
#81#81	Mercury 2medium	6.6	Inception	$0.058	2.24s
查看模型卡片总测试数 21 错误测试数 11 可靠性 10.0 尝试通过率 54.0% 不稳定测试 3 输入令牌 35,116 输出令牌 4,048 推理令牌 61,219 响应时间（平均） 2.24s 响应时间（总计） 44.72s 响应时间（最大） 14.63s 答案错误: 8 未遵循指令: 3 反AI技巧 : 6.9 编程 : 8.2 综合 : 10.0 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

1 2 3 4 5 6

→

快速对比

AI 基准排行榜

筛选模型

快速对比