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。排序方式: 测试正确 ↑.

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344 未遵循指令160 API 错误35 额外格式16 无答案14 超时11

分类

领域专项46 编程26 智能体任务11 综合11 谜题求解11 反AI技巧8 指令遵循5 通用智能4 常识问答2 数据解析与提取2

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）
#272	Granite 4.2 8B medium	IBM Granite	2	0.3	$0.029	0/3	76.0s
总测试数 3 错误测试数 3 总成本 $0.029 响应时间（平均） 76.0s
#323	Granite 4.2 8B low	IBM Granite	1	0.3	$0.036	0/3	90.8s
总测试数 3 错误测试数 3 总成本 $0.036 响应时间（平均） 90.8s
#362	Granite 4.2 8B high	IBM Granite	2	0.3	$0.111	0/3	202.7s
总测试数 3 错误测试数 3 总成本 $0.111 响应时间（平均） 202.7s
#380	Granite 4.2 8B none	IBM Granite	1	0.3	$0.037	0/3	107.6s
总测试数 3 错误测试数 3 总成本 $0.037 响应时间（平均） 107.6s
#390	Qwen3.5-9B medium	Qwen	2	0.3	$0.106	0/3	32.3s
总测试数 3 错误测试数 3 总成本 $0.106 响应时间（平均） 32.3s
#384	MiniMax M2.5 medium	Minimax	1	0.5	$0.440	1/3	11.2s
总测试数 3 错误测试数 2 总成本 $0.440 响应时间（平均） 11.2s
#197	Qwen3.5-Flash medium	Qwen	1	0.8	$0.184	2/3	27.6s
总测试数 3 错误测试数 1 总成本 $0.184 响应时间（平均） 27.6s
#245	Qwen3.5-35B-A3B medium	Qwen	1	0.8	$0.716	2/3	33.1s
总测试数 3 错误测试数 1 总成本 $0.716 响应时间（平均） 33.1s

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