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）
#22#22	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
#24#24	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
#25#25	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
#27#27	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
#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
#33#33	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
#41#41	Paretodefault	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
#45#45	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
#49#49	Gemini 4 Argonmedium	9.0	Google	$0.674	6.63s
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 215,326 出力トークン 6,668 推論トークン 17,615 応答時間（平均） 6.63s 応答時間（合計） 152.50s 応答時間（最大） 62.49s 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 : 6.4 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 : 3.0
#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
#51#51	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
#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
#80#80	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
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 487,516 出力トークン 10,212 推論トークン 909,487 応答時間（平均） 61.71s 応答時間（合計） 1419.40s 応答時間（最大） 288.94s 回答なし: 3 不正解: 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 : 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
#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
#111#111	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
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 9.9 試行ごとの合格率 89.9% 不安定なテスト 3 入力トークン 187,331 出力トークン 7,555 推論トークン 159,931 応答時間（平均） 16.64s 応答時間（合計） 382.64s 応答時間（最大） 108.60s 不正解: 2 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 : 2.8 反AIトリック : 10.0 コーディング : 8.0 複合 : 8.7 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
#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
#314#314	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 69.6% 不安定なテスト 0 入力トークン 69,576 出力トークン 6,265 推論トークン 0 応答時間（平均） 3.02s 応答時間（合計） 57.44s 応答時間（最大） 18.27s 不正解: 3 エージェントタスク : 0.0 反AIトリック : 8.3 コーディング : 3.3 複合 : 4.8 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
#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
#23#23	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
#31#31	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
#85#85	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
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 9.8 試行ごとの合格率 89.9% 不安定なテスト 1 入力トークン 176,208 出力トークン 6,093 推論トークン 96,598 応答時間（平均） 22.71s 応答時間（合計） 386.11s 応答時間（最大） 88.68s 不正解: 2 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 : 7.9 複合 : 9.8 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
#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
#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

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