AI BENCHY

AIベンチマークリーダーボード

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: 2026-06-04 評価済みモデル数: 163

163/163

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#104#104	Nemotron 3 Ultra 550b A55bnone	6.0	NVIDIA	$0.000	2.27s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 44.4% 不安定なテスト 2 入力トークン 43,326 出力トークン 2,138 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 47.65s 応答時間（最大） 13.49s 不正解: 12 指示に従っていない: 1 反AIトリック : 3.5 コーディング : 5.5 複合 : 3.0 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 : 10.0 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#120#120	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 41.3% 不安定なテスト 3 入力トークン 39,344 出力トークン 2,352 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 45.50s 応答時間（最大） 6.58s 不正解: 11 指示に従っていない: 2 API エラー: 1 反AIトリック : 3.5 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 6.5 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#95#95	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.016 ↓	2.31s
モデルカードを見る合計テスト数 21 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 46.0% 不安定なテスト 2 入力トークン 45,864 出力トークン 2,480 推論トークン 0 応答時間（平均） 2.31s 応答時間（合計） 34.63s 応答時間（最大） 6.65s 不正解: 12 反AIトリック : 4.8 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.4 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
#101#101	Mimo V2 Omninone	6.0	Xiaomi	$0.021 ↓	2.44s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 39.7% 不安定なテスト 1 入力トークン 40,852 出力トークン 3,314 推論トークン 0 応答時間（平均） 2.44s 応答時間（合計） 48.81s 応答時間（最大） 6.81s 不正解: 10 API エラー: 1 余分な書式: 1 指示に従っていない: 1 反AIトリック : 3.6 コーディング : 4.4 複合 : 3.0 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 : 6.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#110#110	Seed-2.0-Litenone	5.8	Bytedance Seed	$0.019	2.49s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 46.0% 不安定なテスト 4 入力トークン 46,573 出力トークン 3,259 推論トークン 0 応答時間（平均） 2.49s 応答時間（合計） 52.26s 応答時間（最大） 6.70s 不正解: 13 反AIトリック : 3.0 コーディング : 5.6 複合 : 3.0 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 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#152#152	MiMo-V2-Flashnone	4.6	Xiaomi	$0.025 ↑	2.76s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 6.7 試行ごとの合格率 25.4% 不安定なテスト 4 入力トークン 36,851 出力トークン 68,882 推論トークン 0 応答時間（平均） 2.76s 応答時間（合計） 46.99s 応答時間（最大） 19.68s 不正解: 13 指示に従っていない: 2 API エラー: 1 余分な書式: 1 反AIトリック : 3.2 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 5.3 汎用知能 : 4.6 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#50#50	Gemini 3.1 Flash Lite Previewlow	7.4	Google	$0.026	2.77s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 61.9% 不安定なテスト 0 入力トークン 32,715 出力トークン 2,286 推論トークン 9,166 応答時間（平均） 2.77s 応答時間（合計） 58.12s 応答時間（最大） 11.91s 不正解: 7 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.0 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
#134#134	GLM 5 Turbonone	5.2	Z.ai	$0.047 ↑	2.82s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 31.8% 不安定なテスト 2 入力トークン 32,525 出力トークン 1,815 推論トークン 0 応答時間（平均） 2.82s 応答時間（合計） 59.29s 応答時間（最大） 8.21s 不正解: 13 指示に従っていない: 2 反AIトリック : 3.0 コーディング : 3.9 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#88#88	Qwen3.7 Plusnone	6.4	Qwen	$0.028	2.85s
モデルカードを見る合計テスト数 21 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 47.6% 不安定なテスト 0 入力トークン 42,510 出力トークン 6,578 推論トークン 0 応答時間（平均） 2.85s 応答時間（合計） 59.86s 応答時間（最大） 29.38s 不正解: 10 指示に従っていない: 1 反AIトリック : 6.5 コーディング : 5.5 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 : 5.3 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#122#122	GLM 4.7 Flashnone	5.5	Z.ai	$0.004	2.86s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 36.5% 不安定なテスト 3 入力トークン 38,745 出力トークン 2,521 推論トークン 0 応答時間（平均） 2.86s 応答時間（合計） 40.04s 応答時間（最大） 7.05s 不正解: 13 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 5.2 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 4.0 指示追従 : 6.5 パズル解決 : 6.4 ツール呼び出し : 2.8 雑学 : 3.0
#145#145	Laguna M.1none	4.8	Poolside	$0.000	2.89s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 9.8 試行ごとの合格率 31.6% 不安定なテスト 3 入力トークン 38,147 出力トークン 2,054 推論トークン 0 応答時間（平均） 2.89s 応答時間（合計） 43.28s 応答時間（最大） 15.42s 不正解: 10 API エラー: 4 無効なツール呼び出し: 1 反AIトリック : 3.4 コーディング : 7.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.0 指示追従 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#151#151	Trinity Large Previewnone	4.6	Arcee AI	$0.008 ↑	2.98s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 22.2% 不安定なテスト 2 入力トークン 29,828 出力トークン 2,169 推論トークン 0 応答時間（平均） 2.98s 応答時間（合計） 56.57s 応答時間（最大） 14.34s 不正解: 12 指示に従っていない: 3 API エラー: 2 反AIトリック : 3.1 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.5 指示追従 : 3.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#109#109	GLM 5V Turbonone	5.8	Z.ai	$0.052	2.99s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 38.1% 不安定なテスト 0 入力トークン 37,100 出力トークン 1,766 推論トークン 0 応答時間（平均） 2.99s 応答時間（合計） 62.74s 応答時間（最大） 6.51s 不正解: 11 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.6 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#8#8	Claude Opus 4.7none	8.9	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 84.2% 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 反AIトリック : 8.3 コーディング : 10.0 複合 : 9.5 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
#44#44	Gemini 3.1 Flash Litemedium	7.5	Google	$0.071	3.23s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 65.1% 不安定なテスト 2 入力トークン 36,808 出力トークン 2,254 推論トークン 38,300 応答時間（平均） 3.23s 応答時間（合計） 67.80s 応答時間（最大） 10.87s 不正解: 7 指示に従っていない: 1 反AIトリック : 9.1 コーディング : 5.5 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 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#3🥉 #3	Gemini 3.5 Flashlow	9.4	Google	$0.349	3.27s
モデルカードを見る合計テスト数 21 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 90.5% 不安定なテスト 0 入力トークン 36,938 出力トークン 2,033 推論トークン 30,519 応答時間（平均） 3.27s 応答時間（合計） 68.65s 応答時間（最大） 9.05s 不正解: 2 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 : 7.7 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
#74#74	Qwen3.6 Max Previewnone	6.9	Qwen	$0.075 ↓	3.30s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 58.7% 不安定なテスト 2 入力トークン 42,509 出力トークン 4,779 推論トークン 0 応答時間（平均） 3.30s 応答時間（合計） 69.40s 応答時間（最大） 20.51s 不正解: 10 反AIトリック : 5.2 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.3 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
#117#117	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.012 ↓	3.37s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 42.9% 不安定なテスト 3 入力トークン 48,194 出力トークン 4,343 推論トークン 0 応答時間（平均） 3.37s 応答時間（合計） 70.75s 応答時間（最大） 47.43s 不正解: 12 指示に従っていない: 2 反AIトリック : 3.4 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#131#131	Qwen3.5-122B-A10Bnone	5.3	Qwen	$0.020 ↓	3.41s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 31.8% 不安定なテスト 1 入力トークン 47,735 出力トークン 3,383 推論トークン 0 応答時間（平均） 3.41s 応答時間（合計） 71.59s 応答時間（最大） 46.00s 不正解: 13 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.7 複合 : 3.0 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 : 6.3 パズル解決 : 3.8 ツール呼び出し : 10.0 雑学 : 3.0
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 61.9% 不安定なテスト 2 入力トークン 67,104 出力トークン 8,107 推論トークン 0 応答時間（平均） 3.47s 応答時間（合計） 72.90s 応答時間（最大） 17.73s 不正解: 4 余分な書式: 3 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.5 コーディング : 5.5 複合 : 9.5 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#108#108	Qwen3.5-Flashnone	5.8	Qwen	$0.005 ↓	3.58s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 39.7% 不安定なテスト 1 入力トークン 46,439 出力トークン 4,276 推論トークン 0 応答時間（平均） 3.58s 応答時間（合計） 75.28s 応答時間（最大） 27.18s 不正解: 13 反AIトリック : 3.5 コーディング : 5.5 複合 : 3.0 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 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#118#118	Qwen3.6 27Bnone	5.6	Qwen	$0.028 ↓	3.72s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.6% 不安定なテスト 6 入力トークン 52,721 出力トークン 3,812 推論トークン 0 応答時間（平均） 3.72s 応答時間（合計） 78.08s 応答時間（最大） 11.82s 不正解: 11 指示に従っていない: 2 無効なツール呼び出し: 1 反AIトリック : 3.8 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 5.2 指示追従 : 6.2 パズル解決 : 5.3 ツール呼び出し : 9.5 雑学 : 3.0
#153#153	Qwen3.6 35B A3Bnone	4.6	Qwen	$0.031 ↑	3.73s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 30.2% 不安定なテスト 5 入力トークン 19,329 出力トークン 27,755 推論トークン 0 応答時間（平均） 3.73s 応答時間（合計） 70.86s 応答時間（最大） 22.52s 不正解: 13 API エラー: 2 指示に従っていない: 2 反AIトリック : 3.6 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.4 指示追従 : 6.2 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#40#40	Gemini 3.1 Flash Lite Previewmedium	7.5	Google	$0.068	3.96s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 61.9% 不安定なテスト 0 入力トークン 37,786 出力トークン 2,210 推論トークン 36,744 応答時間（平均） 3.96s 応答時間（合計） 83.06s 応答時間（最大） 14.93s 不正解: 7 指示に従っていない: 1 反AIトリック : 9.1 コーディング : 5.5 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
#98#98	GLM 5none	6.1	Z.ai	$0.027 ↑	4.03s
モデルカードを見る合計テスト数 21 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 44.4% 不安定なテスト 1 入力トークン 37,135 出力トークン 1,989 推論トークン 0 応答時間（平均） 4.03s 応答時間（合計） 56.37s 応答時間（最大） 11.07s 不正解: 12 反AIトリック : 4.8 コーディング : 4.0 複合 : 3.0 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
#85#85	Gemma 4 31Bnone	6.5	Google	$0.004 ↓	4.05s
モデルカードを見る合計テスト数 21 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 47.6% 不安定なテスト 0 入力トークン 20,911 出力トークン 1,407 推論トークン 0 応答時間（平均） 4.05s 応答時間（合計） 76.87s 応答時間（最大） 26.13s 不正解: 8 API エラー: 2 指示に従っていない: 1 反AIトリック : 6.5 コーディング : 5.5 複合 : 3.0 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 : 6.5 パズル解決 : 6.5 ツール呼び出し : 3.0 雑学 : 3.0
#112#112	GLM 5.1none	5.7	Z.ai	$0.058 ↓	4.10s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 41.3% 不安定なテスト 4 入力トークン 47,133 出力トークン 3,754 推論トークン 0 応答時間（平均） 4.10s 応答時間（合計） 86.18s 応答時間（最大） 32.57s 不正解: 13 無効なツール呼び出し: 1 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.0 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
#114#114	Qwen3.5 Plus 2026-04-20none	5.7	Qwen	$0.032 ↓	4.39s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 41.3% 不安定なテスト 4 入力トークン 38,910 出力トークン 11,145 推論トークン 0 応答時間（平均） 4.39s 応答時間（合計） 92.26s 応答時間（最大） 33.34s 不正解: 12 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.9 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#116#116	Hunter Alphanone	5.7	OpenRouter	$0.000	4.70s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 46.3% 不安定なテスト 4 入力トークン 34,329 出力トークン 2,264 推論トークン 0 応答時間（平均） 4.70s 応答時間（合計） 79.86s 応答時間（最大） 15.17s 不正解: 9 指示に従っていない: 2 API エラー: 1 反AIトリック : 3.5 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 6.1 指示追従 : 6.4 パズル解決 : 5.8 ツール呼び出し : 10.0
#11#11	Claude Opus 4.7medium	8.7	Anthropic	$0.679	4.73s
モデルカードを見る合計テスト数 21 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 82.5% 不安定なテスト 1 入力トークン 65,406 出力トークン 11,858 推論トークン 2,198 応答時間（平均） 4.73s 応答時間（合計） 94.51s 応答時間（最大） 23.18s 不正解: 3 タイムアウト: 1 反AIトリック : 8.3 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 : 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

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium無料で利用可能 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

AIベンチマーク リーダーボード

モデルを絞り込む

クイック比較

AIベンチマークリーダーボード