AI BENCHY 对比
xAI: Grok Build 0.1 vs Z.ai: GLM 5.1
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-22
| 指标 | Grok Build 0.1 Grok Build 0.1 medium | GLM 5.1 GLM 5.1 medium |
|---|---|---|
| 分数 | 7.6 | 7.4 |
| 排名 | #45 | #51 |
| 可靠性 | 10.0 | 3.3 |
| 一致性 | 8.5 | 8.3 |
| 测试正确 | ||
| 尝试通过率 | 70.0% | 71.7% |
| 不稳定测试 | 4 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 5.271 | 2.379 |
| 总成本 | $0.633 | $0.286 |
| ???? | $1.000 / 1M | $0.980 / 1M |
| ???? | $2.000 / 1M | $3.080 / 1M |
| 输出令牌 | 2,167 | 11,475 |
| 推理令牌 | 293,436 | 71,876 |
| 响应时间（平均） | 26.36s | 32.22s |
| 响应时间（最大） | 103.89s | 172.60s |
| 响应时间（总计） | 527.19s | 612.25s |
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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 10.0 | 10.0 | 100.0% | 0 | 5.46s | 195 | 9,825 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 8.31s | 401 | 5,122 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 5.3 | 2.9 | 50.0% | 2 | 67.43s | 574 | 87,798 | |
| GLM 5.1 | 4.7 | 1.6 | 66.7% | 2 | 145.56s | 4,727 | 34,384 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 10.0 | 10.0 | 100.0% | 0 | 30.81s | 231 | 18,779 | |
| GLM 5.1 | 9.5 | 10.0 | 100.0% | 0 | 43.11s | 327 | 4,206 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 10.0 | 10.0 | 100.0% | 0 | 7.76s | 180 | 10,343 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 9.33s | 991 | 4,552 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 5.3 | 10.0 | 33.3% | 0 | 77.75s | 501 | 111,807 | |
| GLM 5.1 | 5.3 | 10.0 | 33.3% | 0 | 29.77s | 969 | 11,314 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 3.8 | 2.5 | 33.3% | 1 | 10.14s | 78 | 5,386 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 20.95s | 2,875 | 2,875 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 9.8 | 10.0 | 100.0% | 0 | 9.62s | 57 | 12,436 | |
| GLM 5.1 | 6.4 | 5.8 | 66.7% | 1 | 7.47s | 204 | 1,617 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 6.2 | 7.5 | 55.6% | 1 | 8.67s | 161 | 15,476 | |
| GLM 5.1 | 8.2 | 7.2 | 88.9% | 1 | 23.85s | 899 | 5,627 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 10.0 | 10.0 | 100.0% | 0 | 9.40s | 180 | 5,319 | |
| GLM 5.1 | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok Build 0.1 | 3.0 | 10.0 | 0.0% | 0 | 26.07s | 10 | 16,267 | |
| GLM 5.1 | 3.0 | 10.0 | 0.0% | 0 | 29.40s | 82 | 2,179 |
快速对比
切换对比组合
Gemini 3.1 Flash LitelowvsGLM 5.1mediumGPT-5.3 ChatnonevsGLM 5.1mediumDeepSeek V4 Flashhigh免费可用vsGLM 5.1mediumGemini 3.1 Flash Lite PreviewnonevsGLM 5.1mediumGPT-5.2 ChatnonevsGrok Build 0.1mediumGemini 3.1 Flash Lite PreviewlowvsGrok Build 0.1mediumGemini 3 Flash PreviewnonevsGrok Build 0.1mediumGemini 3.1 Flash Lite PreviewnonevsGrok Build 0.1mediumGemini 3.1 Flash LitelowvsGrok Build 0.1mediumGPT-5.3 ChatnonevsGrok Build 0.1mediumRing-2.6-1TnonevsGLM 5.1mediumDeepSeek V4 Flashhigh免费可用vsGrok Build 0.1medium