谜题求解 x 超时排名 | AI BENCHY

看看哪些 AI 模型在谜题求解上最容易遇到超时，更快找出薄弱点。

显示的模型数

8

失败总数

11

受影响最多的模型

Granite 4.2 8B 2

失败原因

答案错误275 未遵循指令128 API 错误15 额外格式14 无答案11 超时11

分类

领域专项41 编程29 谜题求解11 综合9 反AI技巧6 指令遵循5 通用智能4 数据解析与提取2 常识问答1

8/8

排名	模型	公司	超时次数	分类得分	总成本	测试正确	响应时间（平均）
#249	Granite 4.2 8B medium	IBM Granite	2	3.1	$0.009	0/3	76.0s
总测试数 3 错误测试数 3 总成本 $0.009 响应时间（平均） 76.0s
#282	Granite 4.2 8B high	IBM Granite	2	2.9	$0.084	0/3	202.7s
总测试数 3 错误测试数 3 总成本 $0.084 响应时间（平均） 202.7s
#304	Qwen3.5-9B medium	Qwen	2	3.0	$0.062	0/3	32.3s
总测试数 3 错误测试数 3 总成本 $0.062 响应时间（平均） 32.3s
#183	Qwen3.5-35B-A3B medium	Qwen	1	8.2	$1.140	2/3	33.1s
总测试数 3 错误测试数 1 总成本 $1.140 响应时间（平均） 33.1s
#187	Qwen3.5-Flash medium	Qwen	1	8.2	$0.142	2/3	27.6s
总测试数 3 错误测试数 1 总成本 $0.142 响应时间（平均） 27.6s
#253	Granite 4.2 8B low	IBM Granite	1	3.0	$0.012	0/3	90.8s
总测试数 3 错误测试数 3 总成本 $0.012 响应时间（平均） 90.8s
#284	MiniMax M2.5 medium	Minimax	1	5.3	$0.327	1/3	11.2s
总测试数 3 错误测试数 2 总成本 $0.327 响应时间（平均） 11.2s
#291	Granite 4.2 8B none	IBM Granite	1	3.0	$0.026	0/3	107.6s
总测试数 3 错误测试数 3 总成本 $0.026 响应时间（平均） 107.6s

按超时次数排名的顶级模型

超时次数对比分数

按响应时间（平均）排名的顶级模型

按预估浪费成本排名的顶级模型