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）
#120#120	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
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 9.6 試行ごとの合格率 75.4% 不安定なテスト 4 入力トークン 295,642 出力トークン 115,041 推論トークン 353,398 応答時間（平均） 120.88s 応答時間（合計） 2780.16s 応答時間（最大） 532.28s 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 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 : 5.9 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.1 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
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
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 9.8 試行ごとの合格率 69.6% 不安定なテスト 2 入力トークン 324,691 出力トークン 181,251 推論トークン 506,441 応答時間（平均） 87.39s 応答時間（合計） 2010.08s 応答時間（最大） 665.85s 回答なし: 4 不正解: 2 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 : 10.0 コーディング : 8.2 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 2.8 雑学 : 3.0
#131#131	Muse Wonderhigh	7.7	Meta	$3.426	22.96s
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 9.3 試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 94,153 出力トークン 9,606 推論トークン 142,834 応答時間（平均） 22.96s 応答時間（合計） 528.08s 応答時間（最大） 143.21s API エラー: 6 不正解: 2 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 : 5.3 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 : 9.8 雑学 : 2.8
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
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 229,986 出力トークン 6,037 推論トークン 95,550 応答時間（平均） 20.37s 応答時間（合計） 468.52s 応答時間（最大） 106.93s 不正解: 6 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 : 5.2 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 : 5.9 汎用知能 : 5.1 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
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
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 6 入力トークン 278,792 出力トークン 1,695 推論トークン 142,270 応答時間（平均） 24.79s 応答時間（合計） 570.26s 応答時間（最大） 159.62s 不正解: 6 指示に従っていない: 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 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.8 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
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
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 68.1% 不安定なテスト 1 入力トークン 315,290 出力トークン 1,607 推論トークン 207,536 応答時間（平均） 46.60s 応答時間（合計） 1071.83s 応答時間（最大） 376.04s 不正解: 5 回答なし: 2 指示に従っていない: 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 : 7.7 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#156#156	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
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 5 入力トークン 257,138 出力トークン 13,830 推論トークン 55,775 応答時間（平均） 16.98s 応答時間（合計） 390.45s 応答時間（最大） 85.12s 不正解: 5 無効なツール呼び出し: 2 回答なし: 1 エージェントタスク : 4.7 反AIトリック : 8.7 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 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 2.8
#159#159	Claude Fable 5.1medium	7.3	Anthropic	$3.197	11.87s
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 78.3% 不安定なテスト 6 入力トークン 157,142 出力トークン 8,149 推論トークン 24,357 応答時間（平均） 11.87s 応答時間（合計） 272.91s 応答時間（最大） 36.59s 不正解: 3 回答なし: 2 API エラー: 1 余分な書式: 1 指示に従っていない: 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 : 7.0 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 : 7.3 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 2.8
#160#160	Grok 4.7medium	7.3	X AI	$2.938	117.65s
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 9.8 試行ごとの合格率 78.3% 不安定なテスト 5 入力トークン 326,066 出力トークン 5,726 推論トークン 469,019 応答時間（平均） 117.65s 応答時間（合計） 2706.03s 応答時間（最大） 660.89s 不正解: 5 回答なし: 2 指示に従っていない: 1 エージェントタスク : 3.9 反AIトリック : 10.0 コーディング : 6.6 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 : 5.4 指示追従 : 8.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
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 68.1% 不安定なテスト 1 入力トークン 132,507 出力トークン 12,739 推論トークン 228,626 応答時間（平均） 20.51s 応答時間（合計） 471.64s 応答時間（最大） 140.50s 不正解: 6 指示に従っていない: 2 エージェントタスク : 3.0 反AIトリック : 8.4 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 : 5.9 汎用知能 : 4.8 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
#163#163	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
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 69.6% 不安定なテスト 3 入力トークン 222,601 出力トークン 8,185 推論トークン 238,605 応答時間（平均） 57.41s 応答時間（合計） 1263.02s 応答時間（最大） 307.08s 不正解: 6 API エラー: 1 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 : 6.1 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 : 5.1 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
#187#187	Grok 4.6low	6.9	X AI	$0.781	16.44s
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 66.7% 不安定なテスト 1 入力トークン 263,427 出力トークン 6,006 推論トークン 36,309 応答時間（平均） 16.44s 応答時間（合計） 378.14s 応答時間（最大） 57.97s 不正解: 8 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 : 5.5 複合 : 6.5 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#199#199	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
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 66.7% 不安定なテスト 1 入力トークン 397,291 出力トークン 6,355 推論トークン 143,752 応答時間（平均） 6.66s 応答時間（合計） 153.29s 応答時間（最大） 74.63s 不正解: 4 API エラー: 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 : 3.9 反AIトリック : 10.0 コーディング : 7.8 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 : 5.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#261#261	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 4 入力トークン 35,593 出力トークン 12,245 推論トークン 62,277 応答時間（平均） 23.00s 応答時間（合計） 482.97s 応答時間（最大） 194.23s 不正解: 4 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 : 0.0 反AIトリック : 10.0 コーディング : 8.2 複合 : 5.0 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 : 10.0 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#321#321	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
モデルカードを見る合計テスト数 21 誤答テスト数 7 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 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 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 : 10.0 コーディング : 5.3 複合 : 5.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#350#350	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性該当なし試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 28,848 出力トークン 1,490 推論トークン 10,102 応答時間（平均） 9.05s 応答時間（合計） 90.53s 応答時間（最大） 26.24s API エラー: 4 不正解: 3 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 : 3.0 複合 : 1.5 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#172#172	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
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 76.8% 不安定なテスト 5 入力トークン 212,440 出力トークン 22,922 推論トークン 115,335 応答時間（平均） 39.05s 応答時間（合計） 546.68s 応答時間（最大） 110.70s 不正解: 4 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 : 4.7 反AIトリック : 10.0 コーディング : 10.0 複合 : 5.0 データ解析と抽出 : 7.1 ドメイン特化 : 3.5 汎用知能 : 6.1 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
#44#44	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
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 81.2% 不安定なテスト 5 入力トークン 271,242 出力トークン 11,803 推論トークン 397,838 応答時間（平均） 92.38s 応答時間（合計） 2124.67s 応答時間（最大） 482.30s API エラー: 2 不正解: 2 余分な書式: 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 : 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 : 2.9 汎用知能 : 6.5 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
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
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 9.9 試行ごとの合格率 76.8% 不安定なテスト 3 入力トークン 278,684 出力トークン 10,151 推論トークン 48,907 応答時間（平均） 21.62s 応答時間（合計） 497.25s 応答時間（最大） 119.16s 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 : 9.2 コーディング : 10.0 複合 : 8.4 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 : 8.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#56#56	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
#60#60	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
#62#62	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
#63#63	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
#64#64	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
#68#68	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

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