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）
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.3 試行ごとの合格率 42.0% 不安定なテスト 9 入力トークン 188,239 出力トークン 27,822 推論トークン 262,674 応答時間（平均） 102.32s 応答時間（合計） 1637.05s 応答時間（最大） 600.81s 不正解: 7 タイムアウト: 5 指示に従っていない: 3 回答なし: 2 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 : 7.9 コーディング : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#176#176	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
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 9.9 試行ごとの合格率 72.5% 不安定なテスト 6 入力トークン 301,749 出力トークン 1,033 推論トークン 620,023 応答時間（平均） 102.66s 応答時間（合計） 2361.10s 応答時間（最大） 674.08s 不正解: 6 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 : 4.7 反AIトリック : 10.0 コーディング : 7.4 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 : 4.7 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
#157#157	Gemma 4 26B A4Bmedium	7.3	Google	$0.101 ↓	105.03s
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 71.0% 不安定なテスト 1 入力トークン 224,367 出力トークン 27,095 推論トークン 242,256 応答時間（平均） 105.03s 応答時間（合計） 2310.63s 応答時間（最大） 912.19s 回答なし: 2 タイムアウト: 2 不正解: 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 : 2.9 複合 : 6.3 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
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 62.3% 不安定なテスト 7 入力トークン 264,147 出力トークン 34,419 推論トークン 253,480 応答時間（平均） 107.79s 応答時間（合計） 2479.26s 応答時間（最大） 1085.11s 不正解: 5 回答なし: 3 無効なツール呼び出し: 2 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 : 10.0 反AIトリック : 8.3 コーディング : 7.7 複合 : 6.7 データ解析と抽出 : 3.5 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 8.7 試行ごとの合格率 26.1% 不安定なテスト 6 入力トークン 387,323 出力トークン 48,562 推論トークン 410,431 応答時間（平均） 110.18s 応答時間（合計） 1873.00s 応答時間（最大） 569.97s タイムアウト: 11 回答なし: 3 不正解: 2 API エラー: 1 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 エージェントタスク : 5.2 反AIトリック : 5.1 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 2.8 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
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 65.2% 不安定なテスト 7 入力トークン 378,048 出力トークン 56,477 推論トークン 865,151 応答時間（平均） 111.54s 応答時間（合計） 2565.38s 応答時間（最大） 950.25s 回答なし: 3 タイムアウト: 3 不正解: 3 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 エージェントタスク : 7.4 反AIトリック : 10.0 コーディング : 5.9 複合 : 3.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.5 汎用知能 : 2.8 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
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 27.5% 不安定なテスト 6 入力トークン 344,806 出力トークン 177,330 推論トークン 453,213 応答時間（平均） 113.63s 応答時間（合計） 2613.48s 応答時間（最大） 1190.11s 不正解: 12 無効なツール呼び出し: 2 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 : 2.8 反AIトリック : 3.4 コーディング : 5.3 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.6 指示追従 : 4.6 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#114#114	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
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 10.0 試行ごとの合格率 76.8% 不安定なテスト 6 入力トークン 288,919 出力トークン 17,484 推論トークン 617,804 応答時間（平均） 114.73s 応答時間（合計） 2638.74s 応答時間（最大） 1026.43s 不正解: 4 指示に従っていない: 2 余分な書式: 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 : 8.7 コーディング : 6.2 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.1 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
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 9.9 試行ごとの合格率 55.1% 不安定なテスト 5 入力トークン 262,387 出力トークン 7,344 推論トークン 338,881 応答時間（平均） 115.00s 応答時間（合計） 2645.11s 応答時間（最大） 560.39s 不正解: 8 API エラー: 2 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 : 6.1 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 : 6.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#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
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
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 76.8% 不安定なテスト 5 入力トークン 281,863 出力トークン 24,535 推論トークン 507,976 応答時間（平均） 118.83s 応答時間（合計） 2733.01s 応答時間（最大） 600.61s 不正解: 5 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 : 8.7 コーディング : 6.3 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 : 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
#82#82	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
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 313,881 出力トークン 123,706 推論トークン 388,328 応答時間（平均） 120.40s 応答時間（合計） 2769.16s 応答時間（最大） 534.21s 不正解: 5 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 : 7.8 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.2 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
#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
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
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 60.9% 不安定なテスト 4 入力トークン 226,880 出力トークン 65,346 推論トークン 331,325 応答時間（平均） 121.25s 応答時間（合計） 2667.55s 応答時間（最大） 876.20s 不正解: 4 タイムアウト: 3 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 : 5.0 反AIトリック : 7.0 コーディング : 5.7 複合 : 6.9 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 : 6.0 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
#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
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
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 9.0 試行ごとの合格率 65.2% 不安定なテスト 5 入力トークン 297,321 出力トークン 8,997 推論トークン 423,853 応答時間（平均） 124.87s 応答時間（合計） 2871.96s 応答時間（最大） 675.30s 不正解: 6 API エラー: 3 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 : 8.3 コーディング : 6.2 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 : 4.6 指示追従 : 9.8 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#237#237	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 9.6 試行ごとの合格率 60.9% 不安定なテスト 8 入力トークン 292,271 出力トークン 55,025 推論トークン 186,071 応答時間（平均） 125.76s 応答時間（合計） 2137.84s 応答時間（最大） 566.79s 不正解: 5 タイムアウト: 3 指示に従っていない: 2 回答なし: 2 無効なツール呼び出し: 1 エージェントタスク : 3.9 反AIトリック : 7.3 コーディング : 6.1 複合 : 6.7 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#250#250	Solar Pro 4high	6.3	Upstage	$0.077 ↑	128.91s
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 60.9% 不安定なテスト 6 入力トークン 209,002 出力トークン 24,675 推論トークン 377,528 応答時間（平均） 128.91s 応答時間（合計） 2965.04s 応答時間（最大） 491.07s 不正解: 6 指示に従っていない: 3 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 : 2.8 反AIトリック : 8.7 コーディング : 5.7 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 : 5.5 指示追従 : 7.9 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
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 9.9 試行ごとの合格率 60.9% 不安定なテスト 5 入力トークン 299,558 出力トークン 33,248 推論トークン 374,819 応答時間（平均） 133.93s 応答時間（合計） 3080.36s 応答時間（最大） 519.91s 不正解: 6 指示に従っていない: 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 : 4.7 反AIトリック : 8.2 コーディング : 5.5 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 9.8 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#271#271	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 9.6 試行ごとの合格率 53.6% 不安定なテスト 5 入力トークン 261,842 出力トークン 1,434,621 推論トークン 0 応答時間（平均） 136.10s 応答時間（合計） 3130.27s 応答時間（最大） 438.09s 回答なし: 6 不正解: 3 指示に従っていない: 2 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 : 6.1 反AIトリック : 6.4 コーディング : 2.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.4 指示追従 : 10.0 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#302#302	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 9.7 試行ごとの合格率 58.0% 不安定なテスト 7 入力トークン 261,256 出力トークン 1,425,268 推論トークン 0 応答時間（平均） 138.27s 応答時間（合計） 3180.10s 応答時間（最大） 436.56s 回答なし: 7 API エラー: 2 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 エージェントタスク : 3.4 反AIトリック : 6.9 コーディング : 2.7 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 : 3.5 指示追従 : 10.0 パズル解決 : 7.6 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
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 8.9 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 166,347 出力トークン 423,884 推論トークン 1,394,387 応答時間（平均） 140.39s 応答時間（合計） 3229.07s 応答時間（最大） 786.72s 不正解: 10 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 エージェントタスク : 3.9 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
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
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 9.9 試行ごとの合格率 58.0% 不安定なテスト 2 入力トークン 150,033 出力トークン 22,347 推論トークン 402,143 応答時間（平均） 142.76s 応答時間（合計） 3283.43s 応答時間（最大） 491.42s 不正解: 5 指示に従っていない: 3 回答なし: 2 余分な書式: 1 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 : 5.8 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 : 5.5 指示追従 : 8.4 パズル解決 : 8.9 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