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: 2026-10-17 評価済みモデル数: 442

442/442

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#249#249	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 60.9% 不安定なテスト 2 入力トークン 312,368 出力トークン 9,429 推論トークン 416,147 応答時間（平均） 19.02s 応答時間（合計） 437.38s 応答時間（最大） 318.02s 不正解: 9 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 : 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
#332#332	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 9.6 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 40,961 出力トークン 2,518 推論トークン 81,801 応答時間（平均） 22.16s 応答時間（合計） 443.22s 応答時間（最大） 136.29s 不正解: 5 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 0.0 反AIトリック : 10.0 コーディング : 6.0 複合 : 2.3 データ解析と抽出 : 7.3 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 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#333#333	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 不正解: 5 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 0.0 反AIトリック : 8.1 コーディング : 6.0 複合 : 4.9 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 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
#253#253	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
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
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 9.5 試行ごとの合格率 78.3% 不安定なテスト 7 入力トークン 298,476 出力トークン 7,762 推論トークン 515,918 応答時間（平均） 148.11s 応答時間（合計） 3406.53s 応答時間（最大） 904.91s 余分な書式: 3 不正解: 3 指示に従っていない: 1 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 : 7.3 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 : 10.0 指示追従 : 8.4 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 2.8
#71#71	Muse Spark 1.1low	8.6	Meta	$0.885	13.21s
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 10.0 試行ごとの合格率 72.5% 不安定なテスト 4 入力トークン 291,368 出力トークン 13,469 推論トークン 108,952 応答時間（平均） 13.21s 応答時間（合計） 303.92s 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 エージェントタスク : 10.0 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
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
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 9.9 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 287,538 出力トークン 118,266 推論トークン 346,758 応答時間（平均） 97.70s 応答時間（合計） 2247.18s 応答時間（最大） 576.79s 不正解: 4 回答なし: 3 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 : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
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 10.0 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 229,530 出力トークン 13,757 推論トークン 92,662 応答時間（平均） 48.87s 応答時間（合計） 1123.91s 応答時間（最大） 254.92s 不正解: 6 指示に従っていない: 2 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 : 8.0 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.7 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#103#103	Seed-2.0-Codelow	8.1	Bytedance Seed	$0.881	73.02s
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 8.9 試行ごとの合格率 78.3% 不安定なテスト 6 入力トークン 237,604 出力トークン 9,617 推論トークン 244,190 応答時間（平均） 73.02s 応答時間（合計） 1679.49s 応答時間（最大） 485.92s 不正解: 7 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 : 8.7 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
#106#106	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
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 10.0 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 298,794 出力トークン 45,873 推論トークン 188,721 応答時間（平均） 55.99s 応答時間（合計） 1287.87s 応答時間（最大） 218.13s 不正解: 6 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 : 10.0 反AIトリック : 8.3 コーディング : 7.8 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.1 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
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
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 9.8 試行ごとの合格率 68.1% 不安定なテスト 3 入力トークン 482,754 出力トークン 62,455 推論トークン 141,067 応答時間（平均） 40.33s 応答時間（合計） 927.65s 応答時間（最大） 392.56s 不正解: 7 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 : 10.0 反AIトリック : 10.0 コーディング : 8.4 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#113#113	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
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 10.0 試行ごとの合格率 75.4% 不安定なテスト 6 入力トークン 176,890 出力トークン 5,688 推論トークン 18,525 応答時間（平均） 7.58s 応答時間（合計） 174.39s 応答時間（最大） 54.57s 不正解: 8 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 : 8.3 コーディング : 6.6 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 4.7 雑学 : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
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 10.0 試行ごとの合格率 76.8% 不安定なテスト 6 入力トークン 288,919 出力トークン 17,484 推論トークン 617,804 応答時間（平均） 114.73s 応答時間（合計） 2638.74s 応答時間（最大） 1026.43s 不正解: 4 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 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 : 8.7 コーディング : 6.2 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.1 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
#125#125	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
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 10.0 試行ごとの合格率 75.4% 不安定なテスト 7 入力トークン 219,811 出力トークン 8,811 推論トークン 59,671 応答時間（平均） 28.38s 応答時間（合計） 652.78s 応答時間（最大） 159.91s 不正解: 6 余分な書式: 2 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 : 10.0 コーディング : 6.6 複合 : 6.4 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#134#134	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
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 9.8 試行ごとの合格率 72.5% 不安定なテスト 5 入力トークン 269,143 出力トークン 6,833 推論トークン 785,200 応答時間（平均） 84.94s 応答時間（合計） 1953.70s 応答時間（最大） 527.47s 不正解: 4 回答なし: 3 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 : 10.0 コーディング : 5.9 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.5 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#136#136	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
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 9.7 試行ごとの合格率 65.2% 不安定なテスト 2 入力トークン 176,539 出力トークン 4,419 推論トークン 195,929 応答時間（平均） 54.06s 応答時間（合計） 1189.36s 応答時間（最大） 203.01s 不正解: 8 タイムアウト: 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 : 6.2 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 : 4.9 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
#139#139	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
#153#153	Grok 4.7low	7.4	X AI	$1.933	63.19s
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 10.0 試行ごとの合格率 73.9% 不安定なテスト 5 入力トークン 365,119 出力トークン 8,118 推論トークン 247,211 応答時間（平均） 63.19s 応答時間（合計） 1453.28s 応答時間（最大） 389.63s 不正解: 6 回答なし: 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 : 10.0 コーディング : 8.4 複合 : 7.3 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 : 8.4 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#154#154	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
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 10.0 試行ごとの合格率 66.7% 不安定なテスト 2 入力トークン 85,669 出力トークン 6,092 推論トークン 292,801 応答時間（平均） 29.10s 応答時間（合計） 669.40s 応答時間（最大） 122.60s 不正解: 6 指示に従っていない: 2 API エラー: 1 エージェントタスク : 3.0 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 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.3 指示追従 : 9.8 パズル解決 : 4.8 ツール呼び出し : 3.0 雑学 : 3.0
#164#164	Gemini 3.5 Flash Litemedium	7.3	Google	$0.440	8.68s
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 10.0 試行ごとの合格率 76.8% 不安定なテスト 7 入力トークン 388,307 出力トークン 10,412 推論トークン 118,802 応答時間（平均） 8.68s 応答時間（合計） 199.65s 応答時間（最大） 86.92s 不正解: 6 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 : 4.7 反AIトリック : 10.0 コーディング : 7.9 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 : 4.7 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
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 10.0 試行ごとの合格率 72.5% 不安定なテスト 6 入力トークン 249,486 出力トークン 14,481 推論トークン 288,249 応答時間（平均） 97.68s 応答時間（合計） 1562.81s 応答時間（最大） 304.85s 不正解: 6 タイムアウト: 2 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 : 8.2 コーディング : 6.6 複合 : 6.9 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
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 9.7 試行ごとの合格率 66.7% 不安定なテスト 2 入力トークン 277,164 出力トークン 1,913 推論トークン 168,783 応答時間（平均） 40.09s 応答時間（合計） 881.89s 応答時間（最大） 214.63s 不正解: 4 指示に従っていない: 2 API エラー: 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 : 4.7 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 : 6.5 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 8.3 ツール呼び出し : 3.0 雑学 : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
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 9.9 試行ごとの合格率 72.5% 不安定なテスト 6 入力トークン 301,749 出力トークン 1,033 推論トークン 620,023 応答時間（平均） 102.66s 応答時間（合計） 2361.10s 応答時間（最大） 674.08s 不正解: 6 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 : 4.7 反AIトリック : 10.0 コーディング : 7.4 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 : 4.7 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
#182#182	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
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 10.0 試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 272,221 出力トークン 12,345 推論トークン 47,189 応答時間（平均） 6.78s 応答時間（合計） 155.96s 応答時間（最大） 54.91s 不正解: 7 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 : 5.0 反AIトリック : 9.1 コーディング : 5.5 複合 : 7.2 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#186#186	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
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 10.0 試行ごとの合格率 71.0% 不安定なテスト 5 入力トークン 251,695 出力トークン 49,415 推論トークン 472,775 応答時間（平均） 66.96s 応答時間（合計） 1539.99s 応答時間（最大） 519.30s 不正解: 5 無効なツール呼び出し: 2 タイムアウト: 2 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 : 6.0 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.4 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

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