AI BENCHY

AIベンチマークリーダーボード

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: 2026-05-10 評価済みモデル数: 144

144/144

順位	モデル	スコア	企業	合計コスト	応答時間（平均）	正解テスト
#84#84	Gemma 4 26B A4Bnone	6.3	Google	$0.005	6.28s
モデルカードを見る合計テスト数 19 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 49.1% 不安定なテスト 2 出力トークン 1,796 推論トークン 0 応答時間（平均） 6.28s 応答時間（合計） 119.39s 応答時間（最大） 57.10s 不正解: 8 指示に従っていない: 2 タイムアウト: 1 反AIトリック : 8.3 コーディング : 4.7 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 : 4.0 指示追従 : 6.3 パズル解決 : 6.2 ツール呼び出し : 10.0 雑学 : 3.0
#83#83	Gemini 2.5 Flashnone	6.3	Google	$0.013	916ms
モデルカードを見る合計テスト数 19 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 49.1% 不安定なテスト 2 出力トークン 1,738 推論トークン 0 応答時間（平均） 916ms 応答時間（合計） 17.41s 応答時間（最大） 4.39s 不正解: 10 指示に従っていない: 1 反AIトリック : 3.0 コーディング : 10.0 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 6.5 ツール呼び出し : 10.0 雑学 : 3.0
#82#82	Mercury 2medium	6.3	Inception	$0.050	2.23s
モデルカードを見る合計テスト数 19 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 50.9% 不安定なテスト 3 出力トークン 3,994 推論トークン 52,081 応答時間（平均） 2.23s 応答時間（合計） 40.10s 応答時間（最大） 14.63s 不正解: 8 指示に従っていない: 3 反AIトリック : 6.9 コーディング : 10.0 複合 : 10.0 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 : 3.8 ツール呼び出し : 10.0 雑学 : 3.0
#81#81	MiMo-V2-Omninone	6.3	Xiaomi	$0.020	2.37s
モデルカードを見る合計テスト数 19 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 1 出力トークン 2,254 推論トークン 0 応答時間（平均） 2.37s 応答時間（合計） 45.03s 応答時間（最大） 6.81s 不正解: 10 指示に従っていない: 1 反AIトリック : 3.6 コーディング : 6.6 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
#80#80	GLM 5none	6.5	Z.ai	$0.020	4.18s
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 49.1% 不安定なテスト 1 出力トークン 1,972 推論トークン 0 応答時間（平均） 4.18s 応答時間（合計） 50.12s 応答時間（最大） 11.07s 不正解: 10 反AIトリック : 4.8 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 : 3.0 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
#79#79	Grok 4.1 Fastmedium	6.5	X AI	$0.058	24.01s
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 61.4% 不安定なテスト 6 出力トークン 2,025 推論トークン 96,679 応答時間（平均） 24.01s 応答時間（合計） 288.18s 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 反AIトリック : 8.7 コーディング : 2.3 複合 : 10.0 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
#78#78	Qwen3.5 Plus 2026-02-15none	6.5	Qwen	$0.017	2.49s
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 50.9% 不安定なテスト 2 出力トークン 2,472 推論トークン 0 応答時間（平均） 2.49s 応答時間（合計） 32.33s 応答時間（最大） 6.65s 不正解: 10 反AIトリック : 4.8 コーディング : 6.3 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
#77#77	Laguna Xs.2medium	6.6	Poolside	$0.000	6.74s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 64.5% 不安定なテスト 6 出力トークン 54,284 推論トークン 0 応答時間（平均） 6.74s 応答時間（合計） 101.08s 応答時間（最大） 29.11s 不正解: 6 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 8.2 コーディング : 6.3 複合 : 3.0 データ解析と抽出 : 7.1 ドメイン特化 : 4.1 汎用知能 : 0.0 指示追従 : 10.0 パズル解決 : 6.5 ツール呼び出し : 4.7 雑学 : 0.0
#76#76	Grok 4.20 Multi Agent Betamedium	6.6	X AI	$5.074	9.80s
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 63.0% 不安定なテスト 6 出力トークン 299,034 推論トークン 309,670 応答時間（平均） 9.80s 応答時間（合計） 156.75s 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 反AIトリック : 6.9 コーディング : 10.0 複合 : 3.0 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 : 7.2 ツール呼び出し : 3.0
#75#75	Gemini 3.1 Flash Litenone	6.7	Google	$0.012	1.11s
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 57.9% 不安定なテスト 4 出力トークン 2,454 推論トークン 0 応答時間（平均） 1.11s 応答時間（合計） 21.13s 応答時間（最大） 2.97s 不正解: 9 指示に従っていない: 1 反AIトリック : 7.5 コーディング : 10.0 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#74#74	GPT-5.5none	6.7	OpenAI	$0.197	1.99s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.7% 不安定なテスト 3 出力トークン 1,928 推論トークン 0 応答時間（平均） 1.99s 応答時間（合計） 37.87s 応答時間（最大） 5.56s 不正解: 9 反AIトリック : 6.9 コーディング : 10.0 複合 : 3.0 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 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#73#73	Hunter Alphamedium	6.7	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 64.8% 不安定なテスト 6 出力トークン 4,724 推論トークン 17,921 応答時間（平均） 10.33s 応答時間（合計） 175.60s 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 反AIトリック : 7.3 コーディング : 3.0 複合 : 4.7 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
#72#72	Qwen3.6 27Bmedium	6.8	Qwen	$0.229	52.13s
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 61.4% 不安定なテスト 5 出力トークン 8,680 推論トークン 96,890 応答時間（平均） 52.13s 応答時間（合計） 990.48s 応答時間（最大） 168.22s 不正解: 6 回答なし: 2 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 : 8.3 コーディング : 10.0 複合 : 7.0 データ解析と抽出 : 3.5 ドメイン特化 : 2.9 汎用知能 : 6.5 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
#71#71	Kimi K2.5medium	6.8	Moonshot AI	$0.236	73.39s
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 68.4% 不安定なテスト 7 出力トークン 42,188 推論トークン 92,514 応答時間（平均） 73.39s 応答時間（合計） 880.65s 応答時間（最大） 150.77s 不正解: 5 指示に従っていない: 2 タイムアウト: 2 回答なし: 1 反AIトリック : 7.3 コーディング : 4.7 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 : 6.5 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
#70#70	Gemini 3.1 Flash Liteminimal	6.8	Google	$0.012	1.41s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.7% 不安定なテスト 3 出力トークン 2,457 推論トークン 0 応答時間（平均） 1.41s 応答時間（合計） 26.72s 応答時間（最大） 4.49s 不正解: 6 指示に従っていない: 3 反AIトリック : 8.3 コーディング : 10.0 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#69#69	GPT-5 Minimedium	6.8	OpenAI	$0.132	23.24s
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 57.9% 不安定なテスト 3 出力トークン 6,539 推論トークン 55,338 応答時間（平均） 23.24s 応答時間（合計） 441.55s 応答時間（最大） 88.15s 不正解: 5 指示に従っていない: 4 タイムアウト: 1 反AIトリック : 7.1 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 : 4.5 指示追従 : 7.9 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#68#68	Grok 4.20medium	6.9	X AI	$0.756	14.53s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 63.2% 不安定なテスト 4 出力トークン 1,784 推論トークン 128,233 応答時間（平均） 14.53s 応答時間（合計） 276.06s 応答時間（最大） 63.48s 不正解: 5 指示に従っていない: 2 余分な書式: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 4.3 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 : 3.9 指示追従 : 7.3 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#67#67	DeepSeek V4 Prohigh	6.9	DeepSeek	$0.212	58.93s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 9.3 試行ごとの合格率 70.2% 不安定なテスト 4 出力トークン 12,211 推論トークン 53,774 応答時間（平均） 58.93s 応答時間（合計） 1119.75s 応答時間（最大） 358.35s 不正解: 6 指示に従っていない: 2 反AIトリック : 7.4 コーディング : 2.6 複合 : 10.0 データ解析と抽出 : 8.8 ドメイン特化 : 3.0 汎用知能 : 6.1 指示追従 : 10.0 パズル解決 : 7.4 ツール呼び出し : 10.0 雑学 : 3.0
#66#66	Gemma 4 31Bnone	6.9	Google	$0.003	3.86s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 52.6% 不安定なテスト 0 出力トークン 1,371 推論トークン 0 応答時間（平均） 3.86s 応答時間（合計） 65.57s 応答時間（最大） 26.13s 不正解: 6 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 : 10.0 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
#65#65	Laguna M.1medium	6.9	Poolside	$0.000	14.38s
モデルカードを見る合計テスト数 19 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 64.4% 不安定なテスト 3 出力トークン 56,620 推論トークン 0 応答時間（平均） 14.38s 応答時間（合計） 215.70s 応答時間（最大） 53.14s 不正解: 4 回答なし: 2 指示に従っていない: 1 反AIトリック : 7.7 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 : 0.0 指示追従 : 10.0 パズル解決 : 3.8 ツール呼び出し : 10.0 雑学 : 0.0
#64#64	MiMo-V2-Omnimedium	7.2	Xiaomi	$0.451	27.58s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.7% 不安定なテスト 2 出力トークン 1,925 推論トークン 216,652 応答時間（平均） 27.58s 応答時間（合計） 524.03s 応答時間（最大） 234.19s 不正解: 5 指示に従っていない: 2 余分な書式: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 4.0 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 : 5.4 指示追従 : 8.3 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#63#63	Claude Sonnet 4.6none	7.2	Anthropic	$0.269	4.96s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 61.4% 不安定なテスト 1 出力トークン 7,864 推論トークン 0 応答時間（平均） 4.96s 応答時間（合計） 59.50s 応答時間（最大） 23.84s 不正解: 4 余分な書式: 3 指示に従っていない: 1 反AIトリック : 4.8 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 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#62#62	GPT-5.4 Minimedium	7.2	OpenAI	$0.345	16.00s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 68.4% 不安定なテスト 5 出力トークン 2,163 推論トークン 69,741 応答時間（平均） 16.00s 応答時間（合計） 303.99s 応答時間（最大） 102.91s 不正解: 5 指示に従っていない: 4 反AIトリック : 8.6 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 : 4.1 汎用知能 : 4.5 指示追従 : 7.4 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#61#61	DeepSeek V3.2medium	7.2	DeepSeek	$0.031	46.06s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 72.8% 不安定なテスト 6 出力トークン 7,035 推論トークン 53,765 応答時間（平均） 46.06s 応答時間（合計） 875.23s 応答時間（最大） 180.92s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 反AIトリック : 9.2 コーディング : 4.7 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 : 3.8 指示追従 : 10.0 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#60#60	GPT-5.2medium	7.2	OpenAI	$0.397	15.22s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 68.4% 不安定なテスト 4 出力トークン 2,731 推論トークン 22,200 応答時間（平均） 15.22s 応答時間（合計） 182.59s 応答時間（最大） 77.80s 指示に従っていない: 3 不正解: 3 回答なし: 1 タイムアウト: 1 反AIトリック : 6.5 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 : 5.9 汎用知能 : 3.7 指示追従 : 9.9 パズル解決 : 7.6 ツール呼び出し : 4.7 雑学 : 3.0
#59#59	Qwen3.5-35B-A3Bmedium	7.2	Qwen	$0.481	51.50s
モデルカードを見る合計テスト数 19 誤答テスト数 9 信頼性 6.7 試行ごとの合格率 75.4% 不安定なテスト 7 出力トークン 21,056 推論トークン 280,814 応答時間（平均） 51.50s 応答時間（合計） 978.57s 応答時間（最大） 177.35s タイムアウト: 4 不正解: 3 API エラー: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 4.1 汎用知能 : 2.8 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#58#58	Seed-2.0-Minimedium	7.2	Bytedance Seed	$0.038	68.89s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 3.3 試行ごとの合格率 63.2% 不安定なテスト 2 出力トークン 2,469 推論トークン 81,017 応答時間（平均） 68.89s 応答時間（合計） 1102.23s 応答時間（最大） 262.83s タイムアウト: 4 不正解: 3 指示に従っていない: 1 反AIトリック : 6.6 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 : 3.0 汎用知能 : 5.1 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#57#57	Ring 2.6 1tnone	7.2	Inclusionai	$0.000	55.10s
モデルカードを見る合計テスト数 19 誤答テスト数 7 信頼性 9.8 試行ごとの合格率 62.5% 不安定なテスト 2 出力トークン 39,954 推論トークン 0 応答時間（平均） 55.10s 応答時間（合計） 881.55s 応答時間（最大） 143.82s 不正解: 5 指示に従っていない: 2 反AIトリック : 9.2 コーディング : 10.0 複合 : 0.0 データ解析と抽出 : 3.0 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 0.0 雑学 : 3.0
#55#55	Ring 2.6 1tmedium	7.2	Inclusionai	$0.000	61.29s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 9.9 試行ごとの合格率 66.7% 不安定なテスト 3 出力トークン 21,752 推論トークン 42,754 応答時間（平均） 61.29s 応答時間（合計） 1164.50s 応答時間（最大） 304.19s 不正解: 6 指示に従っていない: 2 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.5 汎用知能 : 4.1 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#56#56	MiMo-V2-Flashmedium	7.2	Xiaomi	$0.038	21.71s
モデルカードを見る合計テスト数 19 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 3 出力トークン 12,399 推論トークン 115,182 応答時間（平均） 21.71s 応答時間（合計） 282.29s 応答時間（最大） 96.01s 不正解: 4 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 反AIトリック : 8.1 コーディング : 4.7 複合 : 9.8 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 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

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsQwen3.6 Max Previewmedium Gemini 3 Flash PreviewmediumvsRing 2.6 1tmedium無料で利用可能 Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsGPT-5.5medium GPT-5.5mediumvsGPT-5.5low GPT-5.5lowvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsQwen3.6 Max Previewmedium