AI BENCHY 对比
Anthropic: Claude Opus 4.8 vs Google: Gemini 2.5 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-01
| 指标 | Claude Opus 4.8 Claude Opus 4.8 none | Gemini 2.5 Flash Gemini 2.5 Flash medium |
|---|---|---|
| 分数 | 7.3 | 7.7 |
| 排名 | #66 | #40 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 9.2 | 9.6 |
| 测试正确 | ||
| 尝试通过率 | 65.0% | 68.3% |
| 不稳定测试 | 2 | 1 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 4.324 | 2.750 |
| 总成本 | $0.519 | $0.358 |
| 输入价格 | $5.000 / 1M | $0.300 / 1M |
| 输出价格 | $25.000 / 1M | $2.500 / 1M |
| 输出令牌 | 8,098 | 1,924 |
| 推理令牌 | 0 | 137,255 |
| 响应时间（平均） | 3.51s | 15.57s |
| 响应时间（最大） | 17.73s | 95.48s |
| 响应时间（总计） | 70.19s | 311.47s |
分数 vs 总成本
响应时间（平均）
分数 vs 响应时间（平均）
总输出令牌
分数 vs 总输出令牌
类别细分
| 反AI技巧 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 6.5 | 10.0 | 50.0% | 0 | 3.40s | 1,472 | 0 | |
| Gemini 2.5 Flash | 8.4 | 10.0 | 75.0% | 0 | 6.30s | 255 | 10,233 |
| 编程 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 6.8 | 10.0 | 50.0% | 0 | 3.59s | 1,323 | 0 | |
| Gemini 2.5 Flash | 6.6 | 10.0 | 50.0% | 0 | 54.56s | 537 | 24,413 |
| 综合 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 9.5 | 10.0 | 100.0% | 0 | 17.73s | 3,259 | 0 | |
| Gemini 2.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 28.44s | 303 | 11,922 |
| 数据解析与提取 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 7.3 | 5.8 | 83.3% | 1 | 1.77s | 308 | 0 | |
| Gemini 2.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 4.06s | 279 | 2,325 |
| 领域专项 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 5.3 | 7.2 | 44.4% | 1 | 1.66s | 61 | 0 | |
| Gemini 2.5 Flash | 5.9 | 7.2 | 55.6% | 1 | 37.34s | 18 | 80,702 |
| 通用智能 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 3.48s | 230 | 0 | |
| Gemini 2.5 Flash | 4.8 | 10.0 | 0.0% | 0 | 4.86s | 92 | 1,899 |
| 指令遵循 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 9.9 | 10.0 | 100.0% | 0 | 1.37s | 95 | 0 | |
| Gemini 2.5 Flash | 9.8 | 10.0 | 100.0% | 0 | 2.62s | 69 | 1,203 |
| 谜题求解 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 7.7 | 10.0 | 66.7% | 0 | 2.74s | 783 | 0 | |
| Gemini 2.5 Flash | 7.7 | 10.0 | 66.7% | 0 | 3.18s | 126 | 2,499 |
| 工具调用 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 5.35s | 355 | 0 | |
| Gemini 2.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 6.20s | 234 | 1,140 |
| 常识问答 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 3.0 | 10.0 | 0.0% | 0 | 3.41s | 212 | 0 | |
| Gemini 2.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 2.76s | 11 | 919 |
快速对比
切换对比组合
Claude Opus 4.8nonevsQwen3.5-35B-A3BmediumClaude Opus 4.8nonevsMiniMax M3mediumClaude Opus 4.8nonevsRing-2.6-1TmediumClaude Opus 4.8nonevsGPT-5.4 MinimediumClaude Opus 4.8nonevsGPT-5.2mediumDeepSeek V4 FlashhighvsGemini 2.5 FlashmediumClaude Opus 4.8nonevsGLM 5V TurbomediumClaude Opus 4.8nonevsStep 3.5 FlashmediumClaude Opus 4.8nonevsGPT-5.4 NanomediumClaude Opus 4.8nonevsKimi K2.6medium免费可用Claude Opus 4.8nonevsStep 3.7 FlashlowClaude Opus 4.8nonevsGPT-5 Minimedium