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）
#50#50	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
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 8.6 試行ごとの合格率 71.0% 不安定なテスト 8 入力トークン 195,489 出力トークン 12,475 推論トークン 108,748 応答時間（平均） 58.14s 応答時間（合計） 1337.19s 応答時間（最大） 255.06s API エラー: 7 不正解: 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 : 6.1 反AIトリック : 8.7 コーディング : 8.2 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 7.1 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
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 69.6% 不安定なテスト 6 入力トークン 336,310 出力トークン 10,838 推論トークン 494,728 応答時間（平均） 37.41s 応答時間（合計） 860.39s 応答時間（最大） 196.03s 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 2 API エラー: 1 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 : 7.5 コーディング : 10.0 複合 : 5.9 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 : 6.4 パズル解決 : 7.8 ツール呼び出し : 9.6 雑学 : 3.0
#76#76	Grok 4.6high	8.5	X AI	$2.629	87.48s
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 376,233 出力トークン 6,687 推論トークン 305,927 応答時間（平均） 87.48s 応答時間（合計） 2012.15s 応答時間（最大） 618.49s 不正解: 3 回答なし: 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 : 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Muse Wonderlow	9.1	Meta	$2.637	16.00s
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 76.8% 不安定なテスト 1 入力トークン 244,997 出力トークン 11,148 推論トークン 71,699 応答時間（平均） 16.00s 応答時間（合計） 367.91s 応答時間（最大） 83.98s 不正解: 4 API エラー: 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 : 10.0 指示追従 : 6.5 パズル解決 : 5.9 ツール呼び出し : 9.8 雑学 : 3.0
#99#99	Grok 4.5high	8.2	X AI	$2.687 ↑	72.50s
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 342,124 出力トークン 7,135 推論トークン 326,497 応答時間（平均） 72.50s 応答時間（合計） 1667.51s 応答時間（最大） 676.83s 不正解: 3 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 : 10.0 複合 : 10.0 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#21#21	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
#92#92	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
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 85.5% 不安定なテスト 2 入力トークン 348,103 出力トークン 11,045 推論トークン 234,967 応答時間（平均） 18.59s 応答時間（合計） 427.52s 応答時間（最大） 145.92s 無効なツール呼び出し: 2 不正解: 2 エージェントタスク : 3.4 反AIトリック : 10.0 コーディング : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 9.8 雑学 : 10.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 1 入力トークン 396,120 出力トークン 31,386 推論トークン 0 応答時間（平均） 10.78s 応答時間（合計） 247.96s 応答時間（最大） 79.61s 不正解: 7 余分な書式: 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 : 5.4 反AIトリック : 5.5 コーディング : 5.9 複合 : 8.3 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#28#28	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
#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
#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
#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
#124#124	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
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 308,369 出力トークン 7,013 推論トークン 299,031 応答時間（平均） 68.44s 応答時間（合計） 1574.14s 応答時間（最大） 436.38s 不正解: 6 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 : 7.6 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 : 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
#207#207	Grok 4.7high	6.7	X AI	$3.037	122.19s
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 9.6 試行ごとの合格率 72.5% 不安定なテスト 7 入力トークン 329,276 出力トークン 8,172 推論トークン 479,012 応答時間（平均） 122.19s 応答時間（合計） 2810.40s 応答時間（最大） 573.57s 回答なし: 3 指示に従っていない: 2 無効なツール呼び出し: 2 不正解: 2 API エラー: 1 エージェントタスク : 3.0 反AIトリック : 8.7 コーディング : 6.0 複合 : 8.6 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#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
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 8.3 試行ごとの合格率 59.4% 不安定なテスト 6 入力トークン 153,399 出力トークン 7,803 推論トークン 179,098 応答時間（平均） 97.34s 応答時間（合計） 2238.73s 応答時間（最大） 587.08s API エラー: 8 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 : 8.7 コーディング : 5.2 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 6.2 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#36#36	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
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 3 入力トークン 209,116 出力トークン 10,031 推論トークン 16,042 応答時間（平均） 11.40s 応答時間（合計） 262.14s 応答時間（最大） 34.77s 余分な書式: 4 不正解: 4 指示に従っていない: 3 API エラー: 1 エージェントタスク : 2.8 反AIトリック : 6.5 コーディング : 3.4 複合 : 10.0 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 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#32#32	Muse Wondermedium	9.2	Meta	$3.397	21.58s
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 9.1 試行ごとの合格率 76.8% 不安定なテスト 1 入力トークン 241,489 出力トークン 11,575 推論トークン 109,971 応答時間（平均） 21.58s 応答時間（合計） 496.40s 応答時間（最大） 162.73s API エラー: 4 不正解: 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 : 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 : 6.6 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 4.7
#203#203	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
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 9.7 試行ごとの合格率 73.9% 不安定なテスト 6 入力トークン 310,049 出力トークン 6,094 推論トークン 566,221 応答時間（平均） 123.96s 応答時間（合計） 2851.07s 応答時間（最大） 775.64s 回答なし: 4 不正解: 3 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 : 3.0 反AIトリック : 8.7 コーディング : 5.3 複合 : 10.0 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#93#93	Kimi K3max	8.3	Moonshot AI	$3.409 ↓	139.41s
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 9.3 試行ごとの合格率 78.3% 不安定なテスト 2 入力トークン 170,700 出力トークン 7,719 推論トークン 225,608 応答時間（平均） 139.41s 応答時間（合計） 2788.26s 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 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 : 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
#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
#116#116	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
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 1 入力トークン 144,676 出力トークン 8,184 推論トークン 32,282 応答時間（平均） 13.30s 応答時間（合計） 305.83s 応答時間（最大） 40.17s 不正解: 3 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 : 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
#95#95	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
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 360,294 出力トークン 43,441 推論トークン 24,401 応答時間（平均） 16.72s 応答時間（合計） 384.66s 応答時間（最大） 99.37s 不正解: 5 回答なし: 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 : 10.0 複合 : 9.9 データ解析と抽出 : 7.1 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

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