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: 2026-10-01 評価済みモデル数: 382

382/382

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#57#57	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
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 79.7% 不安定なテスト 5 入力トークン 234,572 出力トークン 8,019 推論トークン 761,563 応答時間（平均） 189.13s 応答時間（合計） 4349.92s 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 エージェントタスク : 10.0 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
#56#56	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
#55#55	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 9.7 試行ごとの合格率 78.3% 不安定なテスト 2 入力トークン 348,967 出力トークン 1,005 推論トークン 676,075 応答時間（平均） 166.34s 応答時間（合計） 3825.81s 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 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 : 8.1 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
#54#54	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
#53#53	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
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 254,914 出力トークン 10,303 推論トークン 121,928 応答時間（平均） 11.81s 応答時間（合計） 271.60s 応答時間（最大） 56.77s 不正解: 4 指示に従っていない: 3 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 : 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
#52#52	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.231 ↓	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
#51#51	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.241 ↓	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
#50#50	GPT-5.4medium	8.8	OpenAI	$2.213 ↑	24.81s
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 4 入力トークン 223,210 出力トークン 7,312 推論トークン 89,190 応答時間（平均） 24.81s 応答時間（合計） 570.60s 応答時間（最大） 100.41s 不正解: 5 指示に従っていない: 2 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 : 8.8 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
#49#49	Qwen3.8 MAXlow	8.8	Qwen	$1.089 ↑	25.09s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 3 入力トークン 262,495 出力トークン 7,787 推論トークン 86,149 応答時間（平均） 25.09s 応答時間（合計） 577.14s 応答時間（最大） 155.75s 不正解: 5 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 : 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
#48#48	Claude Fable 5medium	8.9	Anthropic	$5.089	16.84s
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 79.7% 不安定なテスト 1 入力トークン 272,411 出力トークン 35,497 推論トークン 11,788 応答時間（平均） 16.84s 応答時間（合計） 387.26s 応答時間（最大） 80.80s 回答なし: 3 無効なツール呼び出し: 1 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 : 6.5 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
#47#47	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
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 73.9% 不安定なテスト 2 入力トークン 305,707 出力トークン 10,240 推論トークン 291,479 応答時間（平均） 27.02s 応答時間（合計） 621.38s 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 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 : 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
#46#46	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
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 75.4% 不安定なテスト 4 入力トークン 292,604 出力トークン 9,569 推論トークン 278,408 応答時間（平均） 21.28s 応答時間（合計） 489.46s 応答時間（最大） 142.49s 指示に従っていない: 3 不正解: 3 余分な書式: 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 : 7.3 コーディング : 10.0 複合 : 8.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 6.1 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
#45#45	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
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 9.9 試行ごとの合格率 75.4% 不安定なテスト 5 入力トークン 277,967 出力トークン 9,240 推論トークン 383,606 応答時間（平均） 28.15s 応答時間（合計） 647.40s 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 エージェントタスク : 10.0 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
#44#44	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 82.6% 不安定なテスト 3 入力トークン 255,743 出力トークン 8,684 推論トークン 207,435 応答時間（平均） 54.04s 応答時間（合計） 1242.97s 応答時間（最大） 333.47s 不正解: 2 余分な書式: 1 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 : 10.0 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 : 3.6 汎用知能 : 10.0 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
#43#43	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
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 89.9% 不安定なテスト 3 入力トークン 197,570 出力トークン 6,364 推論トークン 50,704 応答時間（平均） 6.82s 応答時間（合計） 156.81s 応答時間（最大） 48.53s 不正解: 4 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 : 7.8 複合 : 7.3 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#42#42	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
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 84.1% 不安定なテスト 1 入力トークン 352,845 出力トークン 16,553 推論トークン 7,007 応答時間（平均） 9.87s 応答時間（合計） 226.95s 応答時間（最大） 73.15s 不正解: 4 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 : 7.8 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 : 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
#41#41	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
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 244,529 出力トークン 6,784 推論トークン 213,142 応答時間（平均） 11.92s 応答時間（合計） 274.14s 応答時間（最大） 53.09s 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 : 9.9 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
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 85.5% 不安定なテスト 3 入力トークン 250,676 出力トークン 13,511 推論トークン 315,400 応答時間（平均） 39.83s 応答時間（合計） 916.20s 応答時間（最大） 219.77s 不正解: 4 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 : 7.3 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
#39#39	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
#38#38	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
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 85.5% 不安定なテスト 2 入力トークン 244,533 出力トークン 3,450 推論トークン 39,280 応答時間（平均） 7.85s 応答時間（合計） 180.45s 応答時間（最大） 53.74s 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 : 7.8 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#36#36	Paretonone	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
#37#37	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 3 入力トークン 246,954 出力トークン 8,378 推論トークン 698,942 応答時間（平均） 170.52s 応答時間（合計） 3922.04s 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 エージェントタスク : 10.0 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
#35#35	Muse Spark 1.3high	9.1	Meta	$1.891	52.87s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 78.3% 不安定なテスト 2 入力トークン 257,320 出力トークン 14,459 推論トークン 354,683 応答時間（平均） 52.87s 応答時間（合計） 1216.04s 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 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 : 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
#34#34	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 84.1% 不安定なテスト 4 入力トークン 222,794 出力トークン 7,357 推論トークン 58,930 応答時間（平均） 18.87s 応答時間（合計） 433.94s 応答時間（最大） 100.93s 不正解: 4 指示に従っていない: 2 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 : 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 : 4.6 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 2.8
#33#33	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
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 9.8 試行ごとの合格率 87.0% 不安定なテスト 3 入力トークン 328,637 出力トークン 8,619 推論トークン 432,733 応答時間（平均） 186.06s 応答時間（合計） 4279.49s 応答時間（最大） 912.78s 不正解: 2 指示に従っていない: 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 : 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 : 5.9 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

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