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: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 9.9 試行ごとの合格率 97.1% 不安定なテスト 1 入力トークン 170,731 出力トークン 5,865 推論トークン 84,230 応答時間（平均） 29.67s 応答時間（合計） 682.42s 応答時間（最大） 381.11s 不正解: 1 エージェントタスク : 10.0 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 : 7.6 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 : 10.0
#119#119	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.6% 不安定なテスト 5 入力トークン 238,925 出力トークン 7,109 推論トークン 177,063 応答時間（平均） 29.94s 応答時間（合計） 688.57s 応答時間（最大） 138.75s 不正解: 6 指示に従っていない: 3 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 8.6 コーディング : 8.4 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#47#47	Qwen3.8 Max (0902)medium	9.0	Qwen	$1.096	30.42s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 84.1% 不安定なテスト 2 入力トークン 268,540 出力トークン 7,499 推論トークン 85,499 応答時間（平均） 30.42s 応答時間（合計） 699.68s 応答時間（最大） 168.09s 不正解: 5 エージェントタスク : 10.0 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 : 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
#308#308	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 53.6% 不安定なテスト 10 入力トークン 289,086 出力トークン 194,450 推論トークン 0 応答時間（平均） 30.63s 応答時間（合計） 704.47s 応答時間（最大） 340.88s 不正解: 13 指示に従っていない: 2 エージェントタスク : 4.7 反AIトリック : 6.9 コーディング : 5.6 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.4 指示追従 : 4.4 パズル解決 : 7.9 ツール呼び出し : 4.7 雑学 : 3.0
#217#217	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 9 入力トークン 365,069 出力トークン 133,336 推論トークン 344,133 応答時間（平均） 31.25s 応答時間（合計） 718.67s 応答時間（最大） 114.61s 不正解: 9 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 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 5.5 複合 : 4.2 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 : 8.0 パズル解決 : 8.0 ツール呼び出し : 10.0 雑学 : 3.0
#66#66	GPT-5.2medium	8.7	OpenAI	$1.558 ↑	31.29s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 4 入力トークン 235,207 出力トークン 11,065 推論トークン 69,473 応答時間（平均） 31.29s 応答時間（合計） 531.98s 応答時間（最大） 116.86s 指示に従っていない: 3 不正解: 3 回答なし: 1 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 6.5 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 : 5.9 汎用知能 : 3.7 指示追従 : 9.9 パズル解決 : 7.5 ツール呼び出し : 4.7 雑学 : 3.0
#289#289	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 5 入力トークン 285,293 出力トークン 29,565 推論トークン 89,266 応答時間（平均） 31.58s 応答時間（合計） 536.78s 応答時間（最大） 203.90s 不正解: 10 指示に従っていない: 3 無効なツール呼び出し: 1 エージェントタスク : 5.0 反AIトリック : 6.7 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 2.9 汎用知能 : 4.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 9.8 雑学 : 3.0
#261#261	Claude Opus 4.6medium	6.3	Anthropic	$2.961	32.23s
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 60.9% 不安定なテスト 3 入力トークン 108,573 出力トークン 69,994 推論トークン 26,728 応答時間（平均） 32.23s 応答時間（合計） 515.65s 応答時間（最大） 151.51s 余分な書式: 4 不正解: 4 指示に従っていない: 1 エージェントタスク : 0.0 反AIトリック : 6.4 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#36#36	DeepSeek V4.1 Flash 1017low	9.2	DeepSeek	$0.355	32.55s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 78.3% 不安定なテスト 3 入力トークン 267,122 出力トークン 7,369 推論トークン 516,113 応答時間（平均） 32.55s 応答時間（合計） 748.62s 応答時間（最大） 443.63s 不正解: 5 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 8.3 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 : 3.6 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 6.9 ツール呼び出し : 10.0 雑学 : 3.0
#282#282	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 9.9 試行ごとの合格率 68.1% 不安定なテスト 9 入力トークン 293,112 出力トークン 152,376 推論トークン 357,890 応答時間（平均） 32.68s 応答時間（合計） 751.72s 応答時間（最大） 115.57s 不正解: 9 指示に従っていない: 2 回答なし: 1 エージェントタスク : 3.4 反AIトリック : 10.0 コーディング : 4.3 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 5.1 指示追従 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#262#262	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 5 入力トークン 267,840 出力トークン 192,115 推論トークン 0 応答時間（平均） 32.88s 応答時間（合計） 756.28s 応答時間（最大） 197.32s 不正解: 11 指示に従っていない: 1 無効なツール呼び出し: 1 エージェントタスク : 6.1 反AIトリック : 5.2 コーディング : 5.4 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.4 指示追従 : 9.8 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#64#64	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 9.6 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 280,643 出力トークン 7,342 推論トークン 437,323 応答時間（平均） 32.88s 応答時間（合計） 756.34s 応答時間（最大） 276.31s 不正解: 5 API エラー: 1 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 8.3 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 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 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#6#6	GPT-6.1 Solxhigh	9.9	OpenAI	$1.377	33.11s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 97.1% 不安定なテスト 1 入力トークン 175,712 出力トークン 5,640 推論トークン 96,842 応答時間（平均） 33.11s 応答時間（合計） 761.52s 応答時間（最大） 491.85s 不正解: 1 エージェントタスク : 10.0 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 : 7.6 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 : 10.0
#63#63	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 9.7 試行ごとの合格率 75.4% 不安定なテスト 3 入力トークン 282,490 出力トークン 8,621 推論トークン 455,535 応答時間（平均） 33.27s 応答時間（合計） 765.12s 応答時間（最大） 205.53s 不正解: 5 API エラー: 1 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 8.3 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 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 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#42#42	Paretodefault	9.1	Unbiased	$1.520	33.47s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 87.0% 不安定なテスト 2 入力トークン 223,559 出力トークン 128,144 推論トークン 0 応答時間（平均） 33.47s 応答時間（合計） 769.84s 応答時間（最大） 143.33s 不正解: 3 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 7.2 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 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#276#276	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 6 入力トークン 321,894 出力トークン 139,334 推論トークン 369,481 応答時間（平均） 33.68s 応答時間（合計） 774.73s 応答時間（最大） 163.05s 不正解: 9 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 8.7 コーディング : 5.1 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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
#141#141	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 6 入力トークン 269,497 出力トークン 34,935 推論トークン 145,752 応答時間（平均） 33.97s 応答時間（合計） 781.36s 応答時間（最大） 181.08s 不正解: 9 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 9.2 コーディング : 8.4 複合 : 6.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#228#228	Minimax M3.1 Flashhigh	6.5	Minimax	$0.000	34.00s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 56.5% 不安定なテスト 8 入力トークン 357,984 出力トークン 70,004 推論トークン 209,434 応答時間（平均） 34.00s 応答時間（合計） 781.92s 応答時間（最大） 280.72s 不正解: 8 指示に従っていない: 4 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 6.1 反AIトリック : 6.4 コーディング : 5.6 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.6 指示追従 : 5.3 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#142#142	Muse Wonderxhigh	7.7	Meta	$4.012	34.40s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 9.1 試行ごとの合格率 65.2% 不安定なテスト 2 入力トークン 93,060 出力トークン 10,305 推論トークン 171,683 応答時間（平均） 34.40s 応答時間（合計） 791.16s 応答時間（最大） 236.64s API エラー: 6 不正解: 3 エージェントタスク : 3.0 反AIトリック : 8.3 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 : 3.6 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 2.8
#188#188	Ember-1low	7.0	Fireworks	$1.488	34.90s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 8.8 試行ごとの合格率 65.2% 不安定なテスト 5 入力トークン 211,908 出力トークン 14,158 推論トークン 42,608 応答時間（平均） 34.90s 応答時間（合計） 802.79s 応答時間（最大） 121.29s API エラー: 6 不正解: 3 無効なツール呼び出し: 1 エージェントタスク : 4.7 反AIトリック : 8.2 コーディング : 10.0 複合 : 6.5 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 : 6.2 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#333#333	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 29.0% 不安定なテスト 4 入力トークン 275,349 出力トークン 49,377 推論トークン 12 応答時間（平均） 35.86s 応答時間（合計） 609.61s 応答時間（最大） 321.19s 不正解: 17 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 3.6 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#206#206	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 5 入力トークン 315,136 出力トークン 219,014 推論トークン 0 応答時間（平均） 36.24s 応答時間（合計） 833.43s 応答時間（最大） 320.00s 不正解: 10 指示に従っていない: 2 エージェントタスク : 6.1 反AIトリック : 6.4 コーディング : 5.7 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 5.3 指示追従 : 5.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#266#266	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 5 入力トークン 392,127 出力トークン 7,754 推論トークン 294,333 応答時間（平均） 36.73s 応答時間（合計） 844.68s 応答時間（最大） 199.66s 不正解: 7 余分な書式: 2 指示に従っていない: 2 無効なツール呼び出し: 1 エージェントタスク : 3.0 反AIトリック : 8.2 コーディング : 6.3 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.9 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#362#362	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 9.8 試行ごとの合格率 18.8% 不安定なテスト 1 入力トークン 307,670 出力トークン 70,427 推論トークン 0 応答時間（平均） 37.19s 応答時間（合計） 855.27s 応答時間（最大） 433.02s 不正解: 15 指示に従っていない: 2 無効なツール呼び出し: 2 エージェントタスク : 3.9 反AIトリック : 3.1 コーディング : 3.9 複合 : 3.0 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 : 6.5 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#88#88	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.6% 不安定なテスト 6 入力トークン 336,310 出力トークン 10,838 推論トークン 494,728 応答時間（平均） 37.41s 応答時間（合計） 860.39s 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 エージェントタスク : 10.0 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

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 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow