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: 2026-10-01 評価済みモデル数: 382

382/382

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#357#357	Grok 4.20 Betanone	3.6	X AI	$0.087 ↓	1.19s
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 29.0% 不安定なテスト 1 入力トークン 40,597 出力トークン 1,657 推論トークン 0 応答時間（平均） 1.19s 応答時間（合計） 21.43s 応答時間（最大） 6.48s 不正解: 10 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 : 0.0 反AIトリック : 4.0 コーディング : 1.8 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 : 5.0 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#356#356	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
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 9.6 試行ごとの合格率 23.2% 不安定なテスト 3 入力トークン 103,898 出力トークン 148,304 推論トークン 774,972 応答時間（平均） 64.99s 応答時間（合計） 1429.68s 応答時間（最大） 262.20s 回答なし: 7 不正解: 5 指示に従っていない: 4 API エラー: 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 : 6.5 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.7 ドメイン特化 : 3.0 汎用知能 : 3.8 指示追従 : 6.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#355#355	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
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 9.6 試行ごとの合格率 18.8% 不安定なテスト 1 入力トークン 99,662 出力トークン 146,555 推論トークン 732,977 応答時間（平均） 63.15s 応答時間（合計） 1389.35s 応答時間（最大） 252.08s 回答なし: 7 不正解: 5 指示に従っていない: 4 API エラー: 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 : 6.5 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 6.6 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#354#354	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
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 23.2% 不安定なテスト 3 入力トークン 115,314 出力トークン 133,965 推論トークン 816,718 応答時間（平均） 72.24s 応答時間（合計） 1589.23s 応答時間（最大） 345.15s 回答なし: 7 不正解: 6 指示に従っていない: 3 API エラー: 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 : 6.4 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 2.9 汎用知能 : 5.4 指示追従 : 6.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#353#353	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.007 ↕	15.92s
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 9.8 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 97,418 出力トークン 4,779 推論トークン 0 応答時間（平均） 15.92s 応答時間（合計） 366.20s 応答時間（最大） 339.57s 不正解: 16 無効なツール呼び出し: 2 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 3.0 反AIトリック : 4.8 コーディング : 3.1 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 2.8 雑学 : 3.0
#352#352	Granite 4.1 8bnone	3.8	IBM Granite	$0.007	1.38s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 10.0 試行ごとの合格率 8.7% 不安定なテスト 0 入力トークン 113,836 出力トークン 5,996 推論トークン 0 応答時間（平均） 1.38s 応答時間（合計） 31.81s 応答時間（最大） 16.67s 不正解: 13 指示に従っていない: 4 無効なツール呼び出し: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 3.0 反AIトリック : 4.9 コーディング : 4.5 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 3.6 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#351#351	Ling 3.0 Tinynone	3.8	Inclusionai	$0.000	13.39s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 9.8 試行ごとの合格率 8.7% 不安定なテスト 0 入力トークン 184,579 出力トークン 110,071 推論トークン 0 応答時間（平均） 13.39s 応答時間（合計） 294.48s 応答時間（最大） 240.61s 不正解: 13 指示に従っていない: 4 API エラー: 2 余分な書式: 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 : 4.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 3.1 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#350#350	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 43.5% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 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 : 0.0 反AIトリック : 6.5 コーディング : 1.5 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 : 3.0 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
#349#349	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 50.7% 不安定なテスト 6 入力トークン 42,845 出力トークン 2,006 推論トークン 96,334 応答時間（平均） 23.85s 応答時間（合計） 286.16s 応答時間（最大） 121.79s 指示に従っていない: 4 不正解: 4 回答なし: 1 タイムアウト: 1 エージェントタスク : 0.0 反AIトリック : 8.7 コーディング : 0.8 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#348#348	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 50.7% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 7.3 コーディング : 1.0 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#347#347	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 46.4% 不安定なテスト 5 入力トークン 721,952 出力トークン 294,668 推論トークン 305,374 応答時間（平均） 9.69s 応答時間（合計） 155.07s 応答時間（最大） 35.28s 不正解: 4 API エラー: 2 余分な書式: 2 指示に従っていない: 2 エージェントタスク : 0.0 反AIトリック : 6.9 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.8 指示追従 : 9.8 パズル解決 : 6.7 ツール呼び出し : 3.0 雑学 : 0.0
#346#346	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
#345#345	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性該当なし試行ごとの合格率 39.1% 不安定なテスト 0 入力トークン 32,639 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s API エラー: 8 不正解: 2 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 : 1.0 複合 : 5.0 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#344#344	Mercury 2.5none	4.1	Inception	$0.026	5.10s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 7 入力トークン 311,488 出力トークン 89,958 推論トークン 0 応答時間（平均） 5.10s 応答時間（合計） 117.24s 応答時間（最大） 63.41s 不正解: 15 指示に従っていない: 4 余分な書式: 1 無効なツール呼び出し: 1 エージェントタスク : 5.0 反AIトリック : 3.8 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 4.9 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#343#343	GLM 5 Turbonone	4.2	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 29.0% 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 エージェントタスク : 0.0 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
#342#342	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
モデルカードを見る合計テスト数 20 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 3 入力トークン 131,652 出力トークン 62,213 推論トークン 0 応答時間（平均） 28.63s 応答時間（合計） 486.69s 応答時間（最大） 140.90s 不正解: 9 API エラー: 3 指示に従っていない: 2 エージェントタスク : 6.1 反AIトリック : 6.5 コーディング : 1.5 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 3.0 雑学 : 3.0
#341#341	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
#340#340	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
#339#339	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
モデルカードを見る合計テスト数 16 誤答テスト数 3 信頼性該当なし試行ごとの合格率 56.5% 不安定なテスト 0 入力トークン 28,980 出力トークン 1,283 推論トークン 1,533,310 応答時間（平均） 68.14s 応答時間（合計） 1090.28s 応答時間（最大） 280.52s 不正解: 2 指示に従っていない: 1 エージェントタスク : 0.0 反AIトリック : 7.5 コーディング : 0.0 複合 : 5.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#338#338	Mercury 2none	4.4	Inception	$0.033	1.18s
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 23.2% 不安定なテスト 2 入力トークン 100,634 出力トークン 9,709 推論トークン 0 応答時間（平均） 1.18s 応答時間（合計） 27.14s 応答時間（最大） 9.00s 不正解: 17 指示に従っていない: 2 エージェントタスク : 3.0 反AIトリック : 3.0 コーディング : 3.4 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.9 汎用知能 : 4.8 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
#337#337	Cobuddymedium	4.4	Baidu	$0.000	38.01s
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 43.5% 不安定なテスト 6 入力トークン 37,449 出力トークン 1,677 推論トークン 116,703 応答時間（平均） 38.01s 応答時間（合計） 798.15s 応答時間（最大） 309.02s 不正解: 9 指示に従っていない: 3 API エラー: 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 : 8.7 コーディング : 3.7 複合 : 1.5 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 4.2 指示追従 : 9.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#336#336	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
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 9.1 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 226,872 出力トークン 133,268 推論トークン 0 応答時間（平均） 84.66s 応答時間（合計） 1947.17s 応答時間（最大） 747.17s 不正解: 11 余分な書式: 4 タイムアウト: 3 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 : 5.0 反AIトリック : 4.9 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#335#335	Trinity Large Previewnone	4.4	Arcee AI	$0.008 ↑	2.83s
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 20.3% 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） 2.83s 応答時間（合計） 56.65s 応答時間（最大） 14.34s 不正解: 12 API エラー: 3 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 : 3.1 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
#334#334	KAT Coder AIR V2.5none	4.4	Kwaipilot	$0.070	11.96s
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 10.0 試行ごとの合格率 34.8% 不安定なテスト 7 入力トークン 69,376 出力トークン 97,752 推論トークン 0 応答時間（平均） 11.96s 応答時間（合計） 275.18s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 2 エージェントタスク : 3.0 反AIトリック : 5.3 コーディング : 3.3 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#333#333	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
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 9.5 試行ごとの合格率 27.5% 不安定なテスト 3 入力トークン 146,361 出力トークン 9,074 推論トークン 0 応答時間（平均） 7.11s 応答時間（合計） 163.46s 応答時間（最大） 30.51s 不正解: 16 指示に従っていない: 2 エージェントタスク : 2.8 反AIトリック : 4.8 コーディング : 3.3 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 : 4.6 指示追従 : 6.3 パズル解決 : 5.5 ツール呼び出し : 4.7 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