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）
#32#32	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
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 81.2% 不安定なテスト 1 入力トークン 276,512 出力トークン 8,152 推論トークン 96,444 応答時間（平均） 27.34s 応答時間（合計） 628.75s 応答時間（最大） 126.60s 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 : 8.7 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#31#31	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
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 82.6% 不安定なテスト 2 入力トークン 484,627 出力トークン 11,026 推論トークン 747,681 応答時間（平均） 84.26s 応答時間（合計） 1937.91s 応答時間（最大） 488.39s 回答なし: 3 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 : 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 : 5.3 汎用知能 : 5.1 指示追従 : 8.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#30#30	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
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 88.4% 不安定なテスト 3 入力トークン 180,959 出力トークン 6,472 推論トークン 123,635 応答時間（平均） 39.86s 応答時間（合計） 916.82s 応答時間（最大） 332.10s 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 : 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 : 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 : 2.8
#29#29	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 89.9% 不安定なテスト 1 入力トークン 290,117 出力トークン 9,805 推論トークン 22,322 応答時間（平均） 25.85s 応答時間（合計） 594.63s 応答時間（最大） 90.20s 不正解: 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 : 8.4 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#28#28	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
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 81.2% 不安定なテスト 2 入力トークン 241,855 出力トークン 8,387 推論トークン 600,946 応答時間（平均） 161.25s 応答時間（合計） 3708.70s 応答時間（最大） 739.98s 不正解: 3 回答なし: 2 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 : 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
#27#27	Claude Opus 5medium	9.4	Anthropic	$2.870	13.24s
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 356,605 出力トークン 26,715 推論トークン 17,041 応答時間（平均） 13.24s 応答時間（合計） 304.46s 応答時間（最大） 78.80s 不正解: 3 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#26#26	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
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 82.6% 不安定なテスト 0 入力トークン 376,421 出力トークン 67,688 推論トークン 37,974 応答時間（平均） 25.31s 応答時間（合計） 582.11s 応答時間（最大） 159.01s 不正解: 2 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 : 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 : 3.0 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
#25#25	Gemini 3.7 Flashlow	9.4	Google	$0.183	6.24s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.7% 不安定なテスト 2 入力トークン 188,519 出力トークン 7,694 推論トークン 30,759 応答時間（平均） 6.24s 応答時間（合計） 143.56s 応答時間（最大） 58.75s 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 : 7.6 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 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
#24#24	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
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 319,095 出力トークン 10,371 推論トークン 32,411 応答時間（平均） 27.55s 応答時間（合計） 633.73s 応答時間（最大） 95.95s 不正解: 2 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 : 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 : 5.3 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
#23#23	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
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 88.4% 不安定なテスト 2 入力トークン 308,056 出力トークン 9,434 推論トークン 15,572 応答時間（平均） 25.68s 応答時間（合計） 590.71s 応答時間（最大） 89.16s 不正解: 2 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 : 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 : 5.9 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
#22#22	GPT-5.5low	9.5	OpenAI	$1.822	11.91s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 87.0% 不安定なテスト 0 入力トークン 177,939 出力トークン 6,283 推論トークン 24,782 応答時間（平均） 11.91s 応答時間（合計） 273.82s 応答時間（最大） 56.19s 不正解: 3 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 : 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 : 3.0
#21#21	GPT-5.6 Solhigh	9.5	OpenAI	$1.595 ↑	13.59s
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 195,567 出力トークン 5,841 推論トークン 26,230 応答時間（平均） 13.59s 応答時間（合計） 312.61s 応答時間（最大） 59.99s 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 : 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 4.7
#20#20	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 9.9 試行ごとの合格率 91.3% 不安定なテスト 2 入力トークン 165,464 出力トークン 5,591 推論トークン 15,454 応答時間（平均） 9.90s 応答時間（合計） 227.67s 応答時間（最大） 73.48s 不正解: 3 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 : 5.9 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 : 2.8
#18#18	GPT-6 Solmedium	9.5	OpenAI	$0.703	12.12s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 194,520 出力トークン 5,396 推論トークン 25,991 応答時間（平均） 12.12s 応答時間（合計） 278.70s 応答時間（最大） 82.74s 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 : 8.2 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#19#19	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
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 91.3% 不安定なテスト 3 入力トークン 191,341 出力トークン 5,665 推論トークン 32,340 応答時間（平均） 14.57s 応答時間（合計） 335.16s 応答時間（最大） 79.40s 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 : 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 : 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 : 4.7
#17#17	Gemini 3.7 Flashmedium	9.5	Google	$0.278	8.16s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 202,347 出力トークン 6,660 推論トークン 68,002 応答時間（平均） 8.16s 応答時間（合計） 187.58s 応答時間（最大） 58.39s 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 : 8.4 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#16#16	GPT-6.1 Sollow	9.6	OpenAI	$0.460	7.15s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 92.8% 不安定なテスト 1 入力トークン 163,900 出力トークン 4,958 推論トークン 8,180 応答時間（平均） 7.15s 応答時間（合計） 164.47s 応答時間（最大） 46.57s 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 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 2.8
#15#15	Gemini 3 Flash Previewmedium	9.6	Google	$0.876	21.57s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 235,726 出力トークン 6,669 推論トークン 245,867 応答時間（平均） 21.57s 応答時間（合計） 496.12s 応答時間（最大） 117.26s 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 : 8.6 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 9.9 試行ごとの合格率 91.3% 不安定なテスト 0 入力トークン 159,023 出力トークン 4,935 推論トークン 6,454 応答時間（平均） 7.01s 応答時間（合計） 161.20s 応答時間（最大） 49.16s 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 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
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 191,653 出力トークン 5,473 推論トークン 17,084 応答時間（平均） 11.13s 応答時間（合計） 256.08s 応答時間（最大） 57.11s 不正解: 4 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 : 5.3 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 : 10.0
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 172,860 出力トークン 5,172 推論トークン 13,179 応答時間（平均） 8.90s 応答時間（合計） 204.78s 応答時間（最大） 51.03s 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 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 4.7
#12#12	GPT-6.1 Solhigh	9.6	OpenAI	$0.755	15.46s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 174,960 出力トークン 5,780 推論トークン 34,728 応答時間（平均） 15.46s 応答時間（合計） 355.66s 応答時間（最大） 139.76s 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 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 4.7
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.7% 不安定なテスト 2 入力トークン 233,400 出力トークン 6,922 推論トークン 173,178 応答時間（平均） 15.10s 応答時間（合計） 347.23s 応答時間（最大） 91.63s 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 : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 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
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.7% 不安定なテスト 2 入力トークン 188,003 出力トークン 2,914 推論トークン 113,210 応答時間（平均） 14.03s 応答時間（合計） 322.73s 応答時間（最大） 77.15s 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 : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 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
#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

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