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）
#13#13	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.352	20.62s
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 90.9% 不安定なテスト 0 入力トークン 92,296 出力トークン 5,232 推論トークン 92,006 応答時間（平均） 20.62s 応答時間（合計） 329.94s 応答時間（最大） 88.68s 不正解: 2 反AIトリック : 10.0 コーディング : 7.9 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 : 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
#38#38	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
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 72.7% 不安定なテスト 2 入力トークン 142,147 出力トークン 7,905 推論トークン 284,247 応答時間（平均） 26.25s 応答時間（合計） 577.47s 応答時間（最大） 165.38s 不正解: 4 指示に従っていない: 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 : 10.0 複合 : 8.3 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 : 6.5 パズル解決 : 7.9 ツール呼び出し : 9.8 雑学 : 3.0
#29#29	Muse Spark 1.3medium	8.8	Meta	$1.469	38.57s
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 84.9% 不安定なテスト 3 入力トークン 89,177 出力トークン 11,044 推論トークン 308,220 応答時間（平均） 38.57s 応答時間（合計） 848.59s 応答時間（最大） 219.77s 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 : 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 : 10.0 ツール呼び出し : 9.6 雑学 : 3.0
#35#35	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
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 145,249 出力トークン 24,948 推論トークン 5,042 応答時間（平均） 7.62s 応答時間（合計） 159.94s 応答時間（最大） 65.40s 不正解: 3 タイムアウト: 1 反AIトリック : 8.3 コーディング : 7.6 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 : 3.0
#18#18	Seed 2.1 Turbolow	9.1	Bytedance Seed	$1.546	163.90s
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 2 入力トークン 104,464 出力トークン 6,844 推論トークン 590,392 応答時間（平均） 163.90s 応答時間（合計） 3605.87s 応答時間（最大） 739.98s 不正解: 3 回答なし: 2 反AIトリック : 8.2 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 : 2.9 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 : 10.0 雑学 : 3.0
#89#89	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
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 185,547 出力トークン 24,866 推論トークン 0 応答時間（平均） 7.65s 応答時間（合計） 168.35s 応答時間（最大） 47.72s 不正解: 6 余分な書式: 2 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 5.5 コーディング : 5.9 複合 : 8.3 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#42#42	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
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 4 入力トークン 81,136 出力トークン 6,155 推論トークン 84,311 応答時間（平均） 22.85s 応答時間（合計） 502.78s 応答時間（最大） 100.41s 不正解: 5 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 8.8 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 : 4.7 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
#16#16	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
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 135,604 出力トークン 23,814 推論トークン 12,804 応答時間（平均） 10.26s 応答時間（合計） 225.66s 応答時間（最大） 35.43s 不正解: 3 回答なし: 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 : 2.9 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
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.595	37.19s
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 84,593 出力トークン 10,517 推論トークン 397,671 応答時間（平均） 37.19s 応答時間（合計） 818.19s 応答時間（最大） 177.08s 回答なし: 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
#26#26	Muse Spark 1.3high	8.9	Meta	$1.653	52.49s
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 77.3% 不安定なテスト 2 入力トークン 99,143 出力トークン 12,083 推論トークン 347,525 応答時間（平均） 52.49s 応答時間（合計） 1154.76s 応答時間（最大） 251.53s 不正解: 3 指示に従っていない: 2 回答なし: 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 : 2.9 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 8.7 ツール呼び出し : 9.6 雑学 : 3.0
#45#45	Grok 4.6medium	8.4	X AI	$1.713	73.46s
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 81.8% 不安定なテスト 4 入力トークン 106,787 出力トークン 4,811 推論トークン 244,997 応答時間（平均） 73.46s 応答時間（合計） 1616.12s 応答時間（最大） 514.35s 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 : 8.2 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 : 4.1 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
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 5.4 試行ごとの合格率 19.7% 不安定なテスト 3 入力トークン 45,154 出力トークン 4,022 推論トークン 678,516 応答時間（平均） 214.25s 応答時間（合計） 4713.56s 応答時間（最大） 597.45s API エラー: 14 不正解: 3 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.0 コーディング : 5.2 複合 : 2.9 データ解析と抽出 : 8.7 ドメイン特化 : 4.5 汎用知能 : 7.5 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#36#36	Muse Spark 1.2high	8.7	Meta	$1.771	26.59s
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 9.9 試行ごとの合格率 74.2% 不安定なテスト 5 入力トークン 117,037 出力トークン 6,983 推論トークン 375,104 応答時間（平均） 26.59s 応答時間（合計） 584.89s 応答時間（最大） 192.00s 不正解: 4 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 : 7.1 コーディング : 10.0 複合 : 8.0 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 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
#27#27	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
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 78.8% 不安定なテスト 3 入力トークン 104,695 出力トークン 6,645 推論トークン 691,086 応答時間（平均） 173.96s 応答時間（合計） 3827.19s 応答時間（最大） 584.71s 不正解: 4 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.2 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 : 2.9 汎用知能 : 6.5 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#12#12	Grok 4.6high	9.3	X AI	$1.908	84.15s
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 86.4% 不安定なテスト 0 入力トークン 107,275 出力トークン 5,094 推論トークン 277,123 応答時間（平均） 84.15s 応答時間（合計） 1851.26s 応答時間（最大） 618.49s 不正解: 2 回答なし: 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 : 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 : 10.0 雑学 : 3.0
#49#49	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
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 78.8% 不安定なテスト 5 入力トークン 104,433 出力トークン 6,511 推論トークン 752,680 応答時間（平均） 193.59s 応答時間（合計） 4258.98s 応答時間（最大） 885.33s 不正解: 5 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 8.2 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 : 6.1 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
#31#31	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
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 83.3% 不安定なテスト 2 入力トークン 138,448 出力トークン 40,765 推論トークン 11,162 応答時間（平均） 12.97s 応答時間（合計） 285.29s 応答時間（最大） 70.54s 不正解: 4 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 9.9 データ解析と抽出 : 7.1 ドメイン特化 : 3.6 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
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
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 89.4% 不安定なテスト 2 入力トークン 107,146 出力トークン 8,777 推論トークン 196,705 応答時間（平均） 15.46s 応答時間（合計） 340.20s 応答時間（最大） 145.92s 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 : 10.0 複合 : 8.2 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 9.8 雑学 : 10.0
#43#43	Grok 4.5medium	8.5	X AI	$2.042	68.59s
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 83.3% 不安定なテスト 3 入力トークン 122,155 出力トークン 5,514 推論トークン 293,946 応答時間（平均） 68.59s 応答時間（合計） 1508.91s 応答時間（最大） 436.38s 不正解: 5 反AIトリック : 10.0 コーディング : 7.6 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 : 6.5 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#219#219	Gemini 3.1 Flash Litehigh	5.6	Google	$2.044	61.96s
モデルカードを見る合計テスト数 18 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 56.1% 不安定なテスト 4 入力トークン 29,134 出力トークン 1,984 推論トークン 1,355,583 応答時間（平均） 61.96s 応答時間（合計） 1115.31s 応答時間（最大） 149.23s 不正解: 4 指示に従っていない: 3 回答なし: 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 : 3.6 汎用知能 : 5.0 指示追従 : 7.3 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 0.0
#78#78	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
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 156,522 出力トークン 43,056 推論トークン 9,181 応答時間（平均） 12.88s 応答時間（合計） 283.32s 応答時間（最大） 127.97s 不正解: 4 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 : 6.6 複合 : 9.9 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#75#75	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
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 65.2% 不安定なテスト 1 入力トークン 106,316 出力トークン 79,338 推論トークン 41,089 応答時間（平均） 28.08s 応答時間（合計） 421.15s 応答時間（最大） 140.96s 不正解: 4 余分な書式: 3 タイムアウト: 1 反AIトリック : 6.5 コーディング : 5.7 複合 : 10.0 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
#24#24	Grok 4.5high	9.0	X AI	$2.252 ↑	72.30s
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 86.4% 不安定なテスト 3 入力トークン 152,175 出力トークン 5,655 推論トークン 318,807 応答時間（平均） 72.30s 応答時間（合計） 1590.56s 応答時間（最大） 676.83s 回答なし: 2 不正解: 2 指示に従っていない: 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 : 4.1 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#60#60	Muse Spark 1.1high	8.0	Meta	$2.253	36.85s
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 68.2% 不安定なテスト 6 入力トークン 129,213 出力トークン 8,356 推論トークン 483,560 応答時間（平均） 36.85s 応答時間（合計） 810.72s 応答時間（最大） 196.03s 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 2 API エラー: 1 余分な書式: 1 回答なし: 1 反AIトリック : 7.5 コーディング : 10.0 複合 : 5.9 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 7.8 ツール呼び出し : 9.6 雑学 : 3.0
#245#245	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
モデルカードを見る合計テスト数 16 誤答テスト数 3 信頼性該当なし試行ごとの合格率 59.1% 不安定なテスト 0 入力トークン 28,980 出力トークン 1,283 推論トークン 1,533,310 応答時間（平均） 68.14s 応答時間（合計） 1090.28s 応答時間（最大） 280.52s 不正解: 2 指示に従っていない: 1 反AIトリック : 7.5 コーディング : 0.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0

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