答案错误失败排名 | AI BENCHY

看看哪些 AI 模型最常遇到答案错误，让你在选择前先发现稳定性风险。排序方式: 总成本 ↑.

显示的模型数

8

失败总数

3172

受影响最多的模型

Ling 3.1 Flash 3

分类

在分类领域专项中893 在分类反AI技巧中519 在分类编程中484 在分类谜题求解中352 在分类常识问答中315 在分类通用智能中134 在分类智能体任务中128 在分类综合中128 在分类指令遵循中117 在分类数据解析与提取中93

443/443

排名	模型	公司	答案错误次数	分数	总成本	测试正确	响应时间（平均）
#189	Step 5 Preview high	Stepfun	3	0.7	$4.513	10/23	154.4s
总测试数 23 错误测试数 13 总成本 $4.513 响应时间（平均） 154.4s
#27	Claude Opus 5 high	Anthropic	2	0.9	$4.524	19/23	25.3s
总测试数 23 错误测试数 4 总成本 $4.524 响应时间（平均） 25.3s
#90	GLM 5.2 high	Z.ai	5	0.8	$4.632	15/23	69.1s
总测试数 23 错误测试数 8 总成本 $4.632 响应时间（平均） 69.1s
#124	Muse Wonder max	Meta	2	0.8	$4.766	16/23	44.4s
总测试数 23 错误测试数 7 总成本 $4.766 响应时间（平均） 44.4s
#33	GPT-5.5 medium	OpenAI	4	0.9	$4.809	19/23	39.9s
总测试数 23 错误测试数 4 总成本 $4.809 响应时间（平均） 39.9s
#58	Claude Fable 5 medium	Anthropic	1	0.9	$5.089	18/23	16.8s
总测试数 23 错误测试数 5 总成本 $5.089 响应时间（平均） 16.8s
#400	Grok 4.20 Multi Agent Beta medium	X AI	4	0.4	$5.599	8/18	9.69s
总测试数 18 错误测试数 10 总成本 $5.599 响应时间（平均） 9.69s
#8	GPT-6 Astra xhigh	OpenAI	1	1.0	$6.213	22/23	29.7s
总测试数 23 错误测试数 1 总成本 $6.213 响应时间（平均） 29.7s

←

1 29 30

按答案错误次数排名的顶级模型

答案错误次数对比分数

按响应时间（平均）排名的顶级模型