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: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#224#224	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 39.4% 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 : 1.5 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
#130#130	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 59.1% 不安定なテスト 2 入力トークン 79,294 出力トークン 4,915 推論トークン 0 応答時間（平均） 2.35s 応答時間（合計） 51.78s 応答時間（最大） 12.24s 不正解: 10 反AIトリック : 6.9 コーディング : 5.5 複合 : 6.5 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 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#232#232	Mimo V2 Omninone	5.5	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 37.9% 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 : 1.5 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
#157#157	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 6 入力トークン 139,165 出力トークン 12,899 推論トークン 25,511 応答時間（平均） 2.56s 応答時間（合計） 56.32s 応答時間（最大） 15.14s 不正解: 8 指示に従っていない: 1 回答なし: 1 反AIトリック : 9.0 コーディング : 4.3 複合 : 3.8 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 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 4.7
#271#271	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 4 入力トークン 115,933 出力トークン 13,794 推論トークン 0 応答時間（平均） 2.56s 応答時間（合計） 56.37s 応答時間（最大） 25.50s 不正解: 15 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.5 コーディング : 4.6 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#153#153	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
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 60.6% 不安定なテスト 1 入力トークン 100,762 出力トークン 16,454 推論トークン 0 応答時間（平均） 2.65s 応答時間（合計） 58.21s 応答時間（最大） 25.26s 不正解: 6 無効なツール呼び出し: 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 : 5.6 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 : 6.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#296#296	MiMo-V2-Flashnone	4.0	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 24.2% 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 : 1.5 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
#148#148	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.82s
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 65.2% 不安定なテスト 3 入力トークン 104,217 出力トークン 10,710 推論トークン 0 応答時間（平均） 2.82s 応答時間（合計） 45.05s 応答時間（最大） 21.19s 不正解: 8 回答なし: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 3.8 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 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#257#257	GLM 5 Turbonone	5.1	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 30.3% 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 : 1.5 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
#287#287	Laguna M.1none	4.4	Poolside	$0.009 ↕	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 27.3% 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 : 2.5 複合 : 1.5 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
#131#131	Mercury 2medium	7.0	Inception	$0.094	2.95s
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 53.0% 不安定なテスト 4 入力トークン 110,515 出力トークン 10,325 推論トークン 77,229 応答時間（平均） 2.95s 応答時間（合計） 61.89s 応答時間（最大） 14.63s 不正解: 8 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 6.9 コーディング : 8.2 複合 : 6.7 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#276#276	Trinity Large Previewnone	4.8	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 21.2% 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 : 1.5 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
#221#221	GLM 5V Turbonone	5.6	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 36.4% 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 : 1.5 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
#156#156	Claude Opus 4.7none	6.6	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 72.7% 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 : 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
#231#231	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 40.9% 不安定なテスト 0 入力トークン 122,463 出力トークン 11,445 推論トークン 0 応答時間（平均） 3.12s 応答時間（合計） 68.69s 応答時間（最大） 44.76s 不正解: 11 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 : 6.5 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 7.7 汎用知能 : 4.2 指示追従 : 6.3 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#248#248	Inklingnone	5.2	Thinkingmachines	$0.147	3.47s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 28.8% 不安定なテスト 1 入力トークン 104,120 出力トークン 10,554 推論トークン 0 応答時間（平均） 3.47s 応答時間（合計） 76.28s 応答時間（最大） 48.02s 不正解: 13 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 反AIトリック : 4.8 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 : 5.3 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 5.6 ツール呼び出し : 3.0 雑学 : 3.0
#265#265	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 30.3% 不安定なテスト 5 入力トークン 130,296 出力トークン 82,585 推論トークン 0 応答時間（平均） 3.51s 応答時間（合計） 77.28s 応答時間（最大） 60.70s 不正解: 16 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 : 3.8 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#247#247	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 16.7% 不安定なテスト 1 入力トークン 116,155 出力トークン 19,679 推論トークン 0 応答時間（平均） 3.53s 応答時間（合計） 77.68s 応答時間（最大） 24.48s 不正解: 15 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 反AIトリック : 3.1 コーディング : 4.6 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 : 5.0 指示追従 : 4.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#215#215	Ling-3.0-flashnone	5.7	Inclusionai	$0.004 ↕	3.56s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 0 入力トークン 123,993 出力トークン 12,777 推論トークン 0 応答時間（平均） 3.56s 応答時間（合計） 74.74s 応答時間（最大） 17.51s 不正解: 13 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 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 : 3.0 汎用知能 : 5.0 指示追従 : 4.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#96#96	Mercury 2.5 Previewmedium	7.5	Inception	$0.024	3.58s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 1 入力トークン 112,713 出力トークン 5,436 推論トークン 121,598 応答時間（平均） 3.58s 応答時間（合計） 78.66s 応答時間（最大） 17.84s 不正解: 4 API エラー: 1 指示に従っていない: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 7.8 複合 : 6.5 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 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#190#190	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 1 入力トークン 139,797 出力トークン 30,947 推論トークン 0 応答時間（平均） 3.73s 応答時間（合計） 81.95s 応答時間（最大） 48.79s 不正解: 12 無効なツール呼び出し: 2 指示に従っていない: 1 反AIトリック : 3.1 コーディング : 5.4 複合 : 3.8 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 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#14#14	Gemini 3.7 Flashlow	9.2	Google	$0.207 ↑	3.85s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.5% 不安定なテスト 2 入力トークン 90,322 出力トークン 6,294 推論トークン 30,759 応答時間（平均） 3.85s 応答時間（合計） 84.80s 応答時間（最大） 19.44s 不正解: 2 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 : 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
#193#193	Nemotron 3 Ultranone	6.1	NVIDIA	$0.084 ↕	3.88s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 42.4% 不安定なテスト 2 入力トークン 101,168 出力トークン 9,470 推論トークン 0 応答時間（平均） 3.88s 応答時間（合計） 85.33s 応答時間（最大） 37.50s 不正解: 11 API エラー: 2 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
#163#163	Mercury 2.5 Previewhigh	6.6	Inception	$0.030	4.01s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 5 入力トークン 115,759 出力トークン 2,562 推論トークン 160,943 応答時間（平均） 4.01s 応答時間（合計） 88.25s 応答時間（最大） 17.71s 不正解: 6 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 反AIトリック : 10.0 コーディング : 6.7 複合 : 3.8 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 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#213#213	GLM 5none	5.7	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 42.4% 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 : 1.5 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

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium