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）
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
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 59.4% 不安定なテスト 3 入力トークン 287,669 出力トークン 47,204 推論トークン 375,030 応答時間（平均） 144.88s 応答時間（合計） 3332.19s 応答時間（最大） 939.52s 不正解: 8 API エラー: 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 : 10.0 複合 : 7.3 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 6.5 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 7 入力トークン 384,974 出力トークン 13,946 推論トークン 371,916 応答時間（平均） 145.21s 応答時間（合計） 3339.87s 応答時間（最大） 640.89s 不正解: 7 指示に従っていない: 2 API エラー: 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 : 8.2 コーディング : 5.5 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
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 9.5 試行ごとの合格率 78.3% 不安定なテスト 7 入力トークン 298,476 出力トークン 7,762 推論トークン 515,918 応答時間（平均） 148.11s 応答時間（合計） 3406.53s 応答時間（最大） 904.91s 余分な書式: 3 不正解: 3 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 : 10.0 反AIトリック : 7.3 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 : 10.0 指示追従 : 8.4 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 2.8
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
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 9.4 試行ごとの合格率 30.4% 不安定なテスト 8 入力トークン 228,711 出力トークン 42,254 推論トークン 422,121 応答時間（平均） 150.90s 応答時間（合計） 2414.33s 応答時間（最大） 1539.97s 不正解: 10 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 タイムアウト: 2 エージェントタスク : 3.9 反AIトリック : 4.7 コーディング : 3.2 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 3.5 汎用知能 : 3.6 指示追従 : 6.2 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
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 10.0 試行ごとの合格率 53.6% 不安定なテスト 4 入力トークン 275,080 出力トークン 32,447 推論トークン 372,188 応答時間（平均） 151.67s 応答時間（合計） 3488.43s 応答時間（最大） 941.66s 不正解: 7 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 エージェントタスク : 10.0 反AIトリック : 8.9 コーディング : 7.8 複合 : 10.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 5.1 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
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
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 9.4 試行ごとの合格率 76.8% 不安定なテスト 1 入力トークン 270,889 出力トークン 10,688 推論トークン 328,857 応答時間（平均） 151.96s 応答時間（合計） 3495.01s 応答時間（最大） 960.01s タイムアウト: 2 不正解: 2 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 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#185#185	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
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 9.5 試行ごとの合格率 52.2% 不安定なテスト 4 入力トークン 243,381 出力トークン 1,581,325 推論トークン 0 応答時間（平均） 154.41s 応答時間（合計） 3551.40s 応答時間（最大） 455.72s 回答なし: 7 不正解: 3 API エラー: 2 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 : 6.5 コーディング : 2.9 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 : 3.4 指示追従 : 7.3 パズル解決 : 5.8 ツール呼び出し : 10.0 雑学 : 3.0
#29#29	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
#66#66	Qwen3.8 27Bhigh	8.7	Qwen	~$0.298	166.34s
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 78.3% 不安定なテスト 2 入力トークン 348,967 出力トークン 1,005 推論トークン 676,075 応答時間（平均） 166.34s 応答時間（合計） 3825.81s 応答時間（最大） 640.85s 指示に従っていない: 2 回答なし: 2 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 : 8.1 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 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#42#42	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
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 246,954 出力トークン 8,378 推論トークン 698,942 応答時間（平均） 170.52s 応答時間（合計） 3922.04s 応答時間（最大） 584.71s 不正解: 4 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 : 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 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
#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
#319#319	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 49.3% 不安定なテスト 3 入力トークン 139,086 出力トークン 193,584 推論トークン 413,546 応答時間（平均） 190.48s 応答時間（合計） 3238.23s 応答時間（最大） 1597.85s 不正解: 6 指示に従っていない: 3 API エラー: 1 回答なし: 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 : 2.4 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.5 指示追従 : 8.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
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 6.5 試行ごとの合格率 21.7% 不安定なテスト 4 入力トークン 162,180 出力トークン 5,030 推論トークン 682,447 応答時間（平均） 207.21s 応答時間（合計） 4765.91s 応答時間（最大） 597.45s 不正解: 13 API エラー: 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 : 4.7 反AIトリック : 6.0 コーディング : 5.2 複合 : 2.9 データ解析と抽出 : 8.7 ドメイン特化 : 4.5 汎用知能 : 7.5 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
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 8.2 試行ごとの合格率 37.7% 不安定なテスト 10 入力トークン 282,658 出力トークン 198,563 推論トークン 462,804 応答時間（平均） 235.35s 応答時間（合計） 5413.09s 応答時間（最大） 685.87s タイムアウト: 10 不正解: 7 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 : 6.9 コーディング : 3.8 複合 : 5.0 データ解析と抽出 : 3.8 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 6.4 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
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 6 入力トークン 230,895 出力トークン 161,281 推論トークン 510,655 応答時間（平均） 263.69s 応答時間（合計） 6064.89s 応答時間（最大） 1727.29s 不正解: 6 指示に従っていない: 2 回答なし: 2 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 8.3 コーディング : 3.3 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 : 8.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
モデルカードを見る合計テスト数 23 誤答テスト数 22 信頼性 7.3 試行ごとの合格率 26.1% 不安定なテスト 11 入力トークン 98,467 出力トークン 3,385 推論トークン 104,595 応答時間（平均） 371.69s 応答時間（合計） 8548.88s 応答時間（最大） 971.85s 不正解: 9 タイムアウト: 6 API エラー: 4 指示に従っていない: 3 エージェントタスク : 3.0 反AIトリック : 3.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.2 指示追従 : 4.3 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0

←

1 17 18

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