谜题求解模型排名 | AI BENCHY

看看哪些 AI 模型在谜题求解上表现最好，哪些更稳定，以及差距主要出现在哪里。排序方式: 响应时间（平均） ↓.

显示的模型数

7

谜题求解得分平均值

0.7

最佳模型

Xing4.0 29b A4b 0.3

失败原因

失败原因为答案错误344 失败原因为未遵循指令160 失败原因为 API 错误35 失败原因为额外格式16 失败原因为无答案14 失败原因为超时11

442/442

排名	模型	公司	谜题求解得分	分数	总成本	测试正确	响应时间（平均）
#427	GPT-6 Luna Decisions default	OpenAI	0.2	0.2	$0.005	0/1	414ms
总测试数 1 错误测试数 1 总成本 $0.005 响应时间（平均） 414ms
#335	Mistral Small 4 none	Mistral	0.3	0.5	$0.047	0/3	399ms
总测试数 3 错误测试数 3 总成本 $0.047 响应时间（平均） 399ms
#429	Jev 1.14 default	Typesafe	0.2	0.2	$0.003	0/1	270ms
总测试数 1 错误测试数 1 总成本 $0.003 响应时间（平均） 270ms
#441	Nimble v3 9B default	Bespoke Labs	0.2	0.8	~$0.001	0/1	79ms
总测试数 1 错误测试数 1 总成本 ~$0.001 响应时间（平均） 79ms
#433	Step 3.5 Flash none	Stepfun	0.0	0.2	$0.020	0/0	0ms
总测试数 0 错误测试数 0 总成本 $0.020 响应时间（平均） 0ms
#435	Gemini 3 Flash Preview high	Google	0.0	0.2	$0.105	0/0	0ms
总测试数 0 错误测试数 0 总成本 $0.105 响应时间（平均） 0ms
#442	Claude Opus 5.5 none	Anthropic	0.0	0.2	$0.015	0/0	0ms
总测试数 0 错误测试数 0 总成本 $0.015 响应时间（平均） 0ms

←

1 29 30

按谜题求解得分排名的顶级模型

谜题求解得分 vs 总成本

按响应时间（平均）排名的顶级模型