AI Benchy リーダーボード

Name: AI BENCHY モデルベンチマーク結果
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

ベンチマークは AI BENCHY テストスイートから次の日時に生成: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#67#67	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 4 入力トークン 101,104 出力トークン 29,742 推論トークン 0 応答時間（平均） 7.73s 応答時間（合計） 162.40s 応答時間（最大） 38.52s 不正解: 6 API エラー: 1 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.4 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#161#161	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 2 入力トークン 94,233 出力トークン 7,759 推論トークン 390,132 応答時間（平均） 16.25s 応答時間（合計） 357.39s 応答時間（最大） 318.02s 不正解: 8 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 5.5 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#194#194	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.0% 不安定なテスト 5 入力トークン 122,854 出力トークン 119,810 推論トークン 698,549 応答時間（平均） 96.61s 応答時間（合計） 2125.51s 応答時間（最大） 540.96s 不正解: 7 API エラー: 2 指示に従っていない: 2 無効なツール呼び出し: 2 回答なし: 1 反AIトリック : 8.3 コーディング : 5.3 複合 : 5.2 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#53#53	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 1 入力トークン 132,507 出力トークン 12,739 推論トークン 228,626 応答時間（平均） 21.14s 応答時間（合計） 465.10s 応答時間（最大） 140.50s 不正解: 6 指示に従っていない: 1 反AIトリック : 8.4 コーディング : 7.8 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#3🥉 #3	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.5% 不安定なテスト 2 入力トークン 86,712 出力トークン 6,017 推論トークン 148,829 応答時間（平均） 12.22s 応答時間（合計） 268.78s 応答時間（最大） 91.63s 不正解: 2 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#159#159	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 0 入力トークン 110,196 出力トークン 14,717 推論トークン 397,462 応答時間（平均） 16.67s 応答時間（合計） 366.69s 応答時間（最大） 309.35s 不正解: 6 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#17#17	Gemini 3.8 Flashmedium	9.1	Google	$0.653	14.50s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 92.4% 不安定なテスト 2 入力トークン 95,793 出力トークン 7,066 推論トークン 147,842 応答時間（平均） 14.50s 応答時間（合計） 318.92s 応答時間（最大） 108.60s 不正解: 2 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 8.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#44#44	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 3 入力トークン 101,811 出力トークン 8,025 推論トークン 115,938 応答時間（平均） 9.77s 応答時間（合計） 214.83s 応答時間（最大） 47.80s 不正解: 4 指示に従っていない: 3 反AIトリック : 9.2 コーディング : 8.4 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#108#108	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 57.6% 不安定なテスト 1 入力トークン 123,273 出力トークン 19,362 推論トークン 0 応答時間（平均） 7.67s 応答時間（合計） 122.78s 応答時間（最大） 51.18s 不正解: 5 余分な書式: 4 指示に従っていない: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#21#21	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 69,756 出力トークン 2,166 推論トークン 60,007 応答時間（平均） 8.48s 応答時間（合計） 186.57s 応答時間（最大） 76.68s 不正解: 3 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 7.9 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 10.0
#162#162	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 57.6% 不安定なテスト 2 入力トークン 85,148 出力トークン 61,736 推論トークン 681,556 応答時間（平均） 58.49s 応答時間（合計） 1169.83s 応答時間（最大） 817.57s 不正解: 5 API エラー: 2 指示に従っていない: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 7.7 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.4 指示追従 : 10.0 パズル解決 : 8.0 ツール呼び出し : 3.0 雑学 : 3.0
#51#51	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 4 入力トークン 141,878 出力トークン 11,033 推論トークン 105,456 応答時間（平均） 11.89s 応答時間（合計） 261.69s 応答時間（最大） 54.15s 不正解: 5 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 7.9 コーディング : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 7.3 パズル解決 : 8.3 ツール呼び出し : 9.8 雑学 : 3.0
#204#204	Mimo V2 Omnimedium	5.9	Xiaomi	$0.683 ↓	41.16s
モデルカードを見る合計テスト数 21 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 53.0% 不安定なテスト 3 入力トークン 37,007 出力トークン 1,952 推論トークン 357,306 応答時間（平均） 41.16s 応答時間（合計） 823.26s 応答時間（最大） 299.23s 不正解: 5 指示に従っていない: 2 回答なし: 2 API エラー: 1 余分な書式: 1 反AIトリック : 10.0 コーディング : 3.3 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.4 指示追従 : 8.3 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#102#102	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.687 ↓	80.09s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 5 入力トークン 72,085 出力トークン 57,453 推論トークン 182,093 応答時間（平均） 80.09s 応答時間（合計） 1681.85s 応答時間（最大） 365.80s 不正解: 6 タイムアウト: 3 API エラー: 1 指示に従っていない: 1 反AIトリック : 7.3 コーディング : 7.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.7 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 3.0 雑学 : 3.0
#54#54	Muse Spark 1.3low	8.2	Meta	$0.689	16.03s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 5 入力トークン 116,947 出力トークン 11,026 推論トークン 116,685 応答時間（平均） 16.03s 応答時間（合計） 352.69s 応答時間（最大） 78.72s 不正解: 4 API エラー: 1 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 8.2 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
モデルカードを見る合計テスト数 22 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.5% 不安定なテスト 1 入力トークン 71,470 出力トークン 3,276 推論トークン 168,709 応答時間（平均） 16.81s 応答時間（合計） 369.88s 応答時間（最大） 104.15s 不正解: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#41#41	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 99,181 出力トークン 6,132 推論トークン 77,689 応答時間（平均） 21.83s 応答時間（合計） 480.37s 応答時間（最大） 155.75s 不正解: 5 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 8.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 10.0 パズル解決 : 9.9 ツール呼び出し : 10.0 雑学 : 3.0
#129#129	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 8.1 試行ごとの合格率 65.2% 不安定なテスト 4 入力トークン 82,592 出力トークン 16,089 推論トークン 199,800 応答時間（平均） 58.80s 応答時間（合計） 1234.72s 応答時間（最大） 308.75s 不正解: 4 回答なし: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 反AIトリック : 10.0 コーディング : 4.6 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#126#126	Grok 4.3medium	7.0	X AI	$0.741	44.21s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 140,244 出力トークン 13,739 推論トークン 212,165 応答時間（平均） 44.21s 応答時間（合計） 972.64s 応答時間（最大） 216.69s 不正解: 6 指示に従っていない: 2 余分な書式: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.4 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#140#140	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 129,050 出力トークン 20,026 推論トークン 616,923 応答時間（平均） 44.97s 応答時間（合計） 989.32s 応答時間（最大） 578.13s 不正解: 8 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 5.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#196#196	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
モデルカードを見る合計テスト数 18 誤答テスト数 4 信頼性該当なし試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 35,955 出力トークン 1,647 推論トークン 91,565 応答時間（平均） 9.75s 応答時間（合計） 175.48s 応答時間（最大） 31.36s 不正解: 3 指示に従っていない: 1 反AIトリック : 8.7 コーディング : 3.3 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 0.0
#189#189	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 48.5% 不安定なテスト 6 入力トークン 118,486 出力トークン 156,166 推論トークン 860,619 応答時間（平均） 85.44s 応答時間（合計） 1879.75s 応答時間（最大） 525.14s 不正解: 8 指示に従っていない: 4 無効なツール呼び出し: 2 反AIトリック : 6.8 コーディング : 7.5 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 5.2 ツール呼び出し : 10.0 雑学 : 3.0
#6#6	Gemini 3 Flash Previewmedium	9.5	Google	$0.763	19.86s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 93.9% 不安定なテスト 1 入力トークン 87,870 出力トークン 5,486 推論トークン 234,122 応答時間（平均） 19.86s 応答時間（合計） 436.88s 応答時間（最大） 117.26s 不正解: 2 反AIトリック : 10.0 コーディング : 8.6 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#81#81	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 8.5 試行ごとの合格率 77.3% 不安定なテスト 6 入力トークン 85,657 出力トークン 8,142 推論トークン 233,167 応答時間（平均） 72.24s 応答時間（合計） 1589.31s 応答時間（最大） 485.92s 不正解: 6 API エラー: 2 指示に従っていない: 1 反AIトリック : 8.7 コーディング : 7.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.5 指示追従 : 9.8 パズル解決 : 9.9 ツール呼び出し : 10.0 雑学 : 3.0
#23#23	Qwen3.8 Maxmedium	9.0	Qwen	$0.771	23.34s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 80.3% 不安定なテスト 1 入力トークン 109,055 出力トークン 6,566 推論トークン 85,481 応答時間（平均） 23.34s 応答時間（合計） 513.47s 応答時間（最大） 126.60s 不正解: 4 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0

←

1 9 10 11 13

→

ベンチマーク全体の推移

現在のモデルがスコア、コスト、速度、出力の長さ、カテゴリ別性能をどう両立しているか確認できます。

チャート →

知能とコストのパレートフロンティア

主要企業の最高スコアの推移

知能と応答速度のパレートフロンティア

スコアと出力トークンのパレートフロンティア

モデル全体で見たカテゴリ難易度

クイック比較

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium