Qwen: Qwen3.7 Max vs xAI: Grok 4.5

Qwen3.7 Max (medium) 平均分领先，为 9.2 vs 8.4。 Grok 4.5 (low) benchmark 成本更低，为 $0.935 vs $1.116。 Grok 4.5 (low) 更快，为 15.56s vs 40.57s，通过率为 87.9% vs 75.8%。

推荐模型Qwen3.7 Max (medium)它在本次比较中得分最高（9.2），并且在全部 2 个模型中兼顾成本和响应时间最好。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-21

指标	Qwen3.7 Max Qwen3.7 Max medium 发布日期: 2026-05-22	Grok 4.5 Grok 4.5 low 发布日期: 2026-07-08

指标	Qwen3.7 Max Qwen3.7 Max medium 发布日期: 2026-05-22	Grok 4.5 Grok 4.5 low 发布日期: 2026-07-08
分数	9.2	8.4
排名	#11	#23
可靠性	10.0	10.0
一致性	9.3	9.7
测试正确
尝试通过率	87.9%	75.8%
不稳定测试	2	1
总运行次数	66	66
每个结果成本	8.292	5.844
总成本	$1.116	$0.935
输入价格	$1.475 / 1M	$2.000 / 1M
输出价格	$4.425 / 1M	$6.000 / 1M
总输入令牌	106,020	125,596
输出令牌	5,748	7,505
推理令牌	211,004	106,446
响应时间（平均）	40.57s	15.56s
响应时间（最大）	556.06s	205.28s
响应时间（总计）	892.57s	342.32s

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#11 Qwen3.7 Max

medium

成本: $0.017
时间: 68.8s
令牌: 4,526 tok

#23 xAI: Grok 4.5

low

成本: $0.011
时间: 12.4s
令牌: 2,018 tok

按分数排名的模型

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

类别:

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		6.36s	672	222	8,742
Grok 4.5	10.0	10.0	100.0%	0		2.75s	2,991	261	3,000

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		35.31s	7,893	423	34,808
Grok 4.5	10.0	10.0	100.0%	0		13.72s	9,579	303	15,641

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	8.7	6.9	83.3%	1		287.83s	78,594	3,985	96,450
Grok 4.5	6.5	10.0	50.0%	0		12.75s	82,028	6,031	3,583

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		8.80s	7,782	270	6,254
Grok 4.5	10.0	10.0	100.0%	0		3.44s	8,937	225	2,549

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	5.9	7.2	55.6%	1		24.94s	771	61	31,793
Grok 4.5	3.0	10.0	0.0%	0		72.64s	2,514	14	70,275

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		11.70s	516	135	4,457
Grok 4.5	6.1	3.1	66.7%	1		4.88s	1,077	98	1,253

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		7.46s	699	102	5,452
Grok 4.5	9.8	10.0	100.0%	0		2.80s	1,857	57	1,878

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		8.84s	696	259	8,908
Grok 4.5	10.0	10.0	100.0%	0		3.20s	2,430	217	2,590

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	10.0	10.0	100.0%	0		6.63s	8,193	267	1,220
Grok 4.5	10.0	10.0	100.0%	0		5.83s	13,394	284	871

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）	输入令牌	输出令牌	推理令牌
Qwen3.7 Max	3.0	10.0	0.0%	0		33.37s	204	24	12,920
Grok 4.5	3.0	10.0	0.0%	0		13.98s	789	15	4,806

快速对比

切换对比组合

GPT-5.2mediumvsGrok 4.5low Qwen3.6 Max PreviewmediumvsGrok 4.5low Claude Sonnet 5mediumvsGrok 4.5low GPT-5.4mediumvsGrok 4.5low Gemini 2.5 FlashmediumvsGrok 4.5low GPT-5.5lowvsQwen3.7 Maxmedium Gemini 3.5 FlashlowvsQwen3.7 Maxmedium GPT-5.6 SolhighvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGrok 4.5high Claude Fable 5mediumvsGrok 4.5low Gemini 3.6 FlashlowvsQwen3.7 Maxmedium Muse Spark 1.1mediumvsGrok 4.5low