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）
#211#211	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
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 8.5 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 81,742 出力トークン 423,884 推論トークン 1,340,907 応答時間（平均） 141.99s 応答時間（合計） 3123.87s 応答時間（最大） 786.72s 不正解: 9 余分な書式: 2 API エラー: 1 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 8.4 コーディング : 4.5 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
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 9.0 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 34,960 出力トークン 2,887 推論トークン 221,241 応答時間（平均） 142.84s 応答時間（合計） 2714.02s 応答時間（最大） 766.58s API エラー: 2 回答なし: 2 余分な書式: 1 タイムアウト: 1 反AIトリック : 10.0 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 : 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 : 3.0 雑学 : 3.0
#104#104	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
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 59.1% 不安定なテスト 2 入力トークン 97,324 出力トークン 44,383 推論トークン 346,490 応答時間（平均） 143.55s 応答時間（合計） 3158.11s 応答時間（最大） 939.52s 不正解: 7 API エラー: 1 回答なし: 1 タイムアウト: 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 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 6.5 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 51.5% 不安定なテスト 4 入力トークン 93,411 出力トークン 30,470 推論トークン 356,172 応答時間（平均） 153.29s 応答時間（合計） 3372.36s 応答時間（最大） 941.66s 不正解: 7 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 反AIトリック : 8.9 コーディング : 7.8 複合 : 10.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 5.1 指示追従 : 6.5 パズル解決 : 3.1 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
#48#48	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
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 9.6 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 100,179 出力トークン 904 推論トークン 655,731 応答時間（平均） 167.89s 応答時間（合計） 3693.54s 応答時間（最大） 640.85s 指示に従っていない: 2 回答なし: 2 不正解: 2 反AIトリック : 10.0 コーディング : 8.1 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 : 5.0 指示追従 : 9.8 パズル解決 : 7.6 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
#202#202	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
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 50.0% 不安定なテスト 2 入力トークン 65,716 出力トークン 189,424 推論トークン 379,112 応答時間（平均） 191.63s 応答時間（合計） 3066.07s 応答時間（最大） 1597.85s 不正解: 5 指示に従っていない: 3 API エラー: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 2.4 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 : 5.5 指示追従 : 8.3 パズル解決 : 5.3 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
#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
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 7.6 試行ごとの合格率 39.4% 不安定なテスト 10 入力トークン 43,278 出力トークン 181,083 推論トークン 431,132 応答時間（平均） 235.89s 応答時間（合計） 5189.64s 応答時間（最大） 685.87s タイムアウト: 10 不正解: 6 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 6.9 コーディング : 3.8 複合 : 5.0 データ解析と抽出 : 3.8 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 6.4 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0

←

1 12 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