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）
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
モデルカードを見る合計テスト数 12 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 0 入力トークン 67,092 出力トークン 18,927 推論トークン 0 応答時間（平均） 698ms 応答時間（合計） 8.38s 応答時間（最大） 1.08s 不正解: 6 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 : 2.2 複合 : 0.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 3.3 ツール呼び出し : 0.0 雑学 : 0.0
#429#429	Jev 1.14default	2.3	Typesafe	$0.003	377ms
モデルカードを見る合計テスト数 12 誤答テスト数 8 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 67,092 出力トークン 18,927 推論トークン 0 応答時間（平均） 377ms 応答時間（合計） 4.52s 応答時間（最大） 546ms 不正解: 7 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 : 4.0 コーディング : 2.7 複合 : 0.0 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#329#329	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 26.1% 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） 3.40s 応答時間（合計） 74.77s 応答時間（最大） 17.51s 不正解: 13 API エラー: 2 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 : 3.0 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
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
モデルカードを見る合計テスト数 19 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 21.7% 不安定なテスト 0 入力トークン 33,675 出力トークン 2,826 推論トークン 0 応答時間（平均） 806ms 応答時間（合計） 12.09s 応答時間（最大） 2.01s 不正解: 8 API エラー: 4 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 : 3.0 コーディング : 0.8 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#427#427	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
モデルカードを見る合計テスト数 12 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 13.0% 不安定なテスト 0 入力トークン 47,583 出力トークン 0 推論トークン 0 応答時間（平均） 495ms 応答時間（合計） 5.94s 応答時間（最大） 842ms 不正解: 8 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 : 2.3 コーディング : 2.5 複合 : 0.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#396#396	Granite 4.1 8bdefault	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
#410#410	Hy3 previewnone	3.3	Tencent	$0.007 ↕	12.92s
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 21.7% 不安定なテスト 2 入力トークン 27,172 出力トークン 2,661 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 232.64s 応答時間（最大） 35.84s 不正解: 8 API エラー: 4 指示に従っていない: 4 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 4.8 コーディング : 2.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 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
#415#415	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
モデルカードを見る合計テスト数 19 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 18.8% 不安定なテスト 3 入力トークン 36,608 出力トークン 1,723 推論トークン 0 応答時間（平均） 1.62s 応答時間（合計） 19.48s 応答時間（最大） 5.51s 不正解: 13 指示に従っていない: 3 エージェントタスク : 0.0 反AIトリック : 3.2 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 : 5.9 汎用知能 : 4.4 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 2.8 雑学 : 3.0
#379#379	Trinity Large Previewdefault	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
#430#430	Classify-1default	2.2	Scaledown	$0.008	4.58s
モデルカードを見る合計テスト数 12 誤答テスト数 9 信頼性 9.4 試行ごとの合格率 18.8% 不安定なテスト 2 入力トークン 195,645 出力トークン 164 推論トークン 0 応答時間（平均） 4.58s 応答時間（合計） 55.01s 応答時間（最大） 13.35s 不正解: 8 API エラー: 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 : 2.7 複合 : 0.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#397#397	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	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
#403#403	Laguna M.1default	3.6	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 26.1% 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 エージェントタスク : 0.0 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
#439#439	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
モデルカードを見る合計テスト数 7 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 14.5% 不安定なテスト 3 入力トークン 47,586 出力トークン 51 推論トークン 0 応答時間（平均） 6.01s 応答時間（合計） 42.05s 応答時間（最大） 13.10s 不正解: 5 エージェントタスク : 0.0 反AIトリック : 0.8 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.7 ドメイン特化 : 4.3 汎用知能 : 0.0 指示追従 : 5.0 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 39.1% 不安定なテスト 0 入力トークン 281,460 出力トークン 13,791 推論トークン 0 応答時間（平均） 5.05s 応答時間（合計） 116.11s 応答時間（最大） 47.42s 不正解: 12 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 : 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
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
モデルカードを見る合計テスト数 12 誤答テスト数 10 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 70,125 出力トークン 0 推論トークン 0 応答時間（平均） 880ms 応答時間（合計） 10.56s 応答時間（最大） 1.31s 不正解: 9 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 : 4.0 コーディング : 2.5 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#287#287	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
モデルカードを見る合計テスト数 23 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 3 入力トークン 266,004 出力トークン 9,077 推論トークン 0 応答時間（平均） 5.71s 応答時間（合計） 131.36s 応答時間（最大） 65.25s 不正解: 14 回答なし: 1 エージェントタスク : 5.0 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 : 3.0 汎用知能 : 6.1 指示追従 : 7.1 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#409#409	Laguna Xs.2medium	3.3	Poolside	$0.015 ↕	6.73s
モデルカードを見る合計テスト数 19 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 6 入力トークン 39,481 出力トークン 54,218 推論トークン 0 応答時間（平均） 6.73s 応答時間（合計） 100.98s 応答時間（最大） 29.11s 不正解: 6 API エラー: 4 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 : 0.0 反AIトリック : 6.9 コーディング : 2.1 複合 : 1.5 データ解析と抽出 : 7.1 ドメイン特化 : 4.1 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 : 4.7 雑学 : 3.0
#341#341	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 9.9 試行ごとの合格率 44.9% 不安定なテスト 8 入力トークン 235,438 出力トークン 8,136 推論トークン 28,734 応答時間（平均） 4.92s 応答時間（合計） 113.24s 応答時間（最大） 84.47s 不正解: 13 指示に従っていない: 2 API エラー: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 5.6 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 4.1 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 8.2 ツール呼び出し : 2.8 雑学 : 3.0
#442#442	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
モデルカードを見る合計テスト数 1 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 73 出力トークン 6 推論トークン 729 応答時間（平均） 13.58s 応答時間（合計） 13.58s 応答時間（最大） 13.58s エージェントタスク : 0.0 反AIトリック : 0.0 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 3.3 汎用知能 : 0.0 指示追従 : 0.0 パズル解決 : 0.0 ツール呼び出し : 0.0 雑学 : 0.0
#351#351	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
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 17.4% 不安定なテスト 0 入力トークン 106,423 出力トークン 11,555 推論トークン 0 応答時間（平均） 8.16s 応答時間（合計） 163.24s 応答時間（最大） 25.72s 不正解: 12 API エラー: 4 指示に従っていない: 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 : 3.4 コーディング : 3.8 複合 : 6.5 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 : 6.4 パズル解決 : 3.1 ツール呼び出し : 3.0 雑学 : 3.0
#386#386	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 16,869 推論トークン 53,081 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
#377#377	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 9,073 推論トークン 1 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
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 37.7% 不安定なテスト 1 入力トークン 39,886 出力トークン 1,890 推論トークン 0 応答時間（平均） 6.00s 応答時間（合計） 138.04s 応答時間（最大） 118.00s 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 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 : 5.5 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 : 5.0 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
#326#326	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
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 29.0% 不安定なテスト 3 入力トークン 270,072 出力トークン 23,173 推論トークン 0 応答時間（平均） 4.56s 応答時間（合計） 104.80s 応答時間（最大） 70.79s 不正解: 14 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 : 5.0 反AIトリック : 5.3 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 : 5.0 指示追従 : 3.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 9.8 試行ごとの合格率 37.7% 不安定なテスト 5 入力トークン 326,083 出力トークン 7,224 推論トークン 33,078 応答時間（平均） 3.34s 応答時間（合計） 76.80s 応答時間（最大） 47.06s 不正解: 14 API エラー: 1 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 : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.4 指示追従 : 2.9 パズル解決 : 5.9 ツール呼び出し : 9.8 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