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）
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
モデルカードを見る合計テスト数 20 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 56.7% 不安定なテスト 1 入力トークン 34,431 出力トークン 91,587 推論トークン 195,973 応答時間（平均） 72.53s 応答時間（合計） 1015.47s 応答時間（最大） 453.94s 不正解: 4 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 3.5 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 : 5.5 指示追従 : 8.3 パズル解決 : 5.3 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
#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
#103#103	DeepSeek V4 Prohigh	6.0	DeepSeek	$0.079 ↓	65.21s
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 9.0 試行ごとの合格率 52.4% 不安定なテスト 6 入力トークン 32,240 出力トークン 12,250 推論トークン 72,257 応答時間（平均） 65.21s 応答時間（合計） 1304.19s 応答時間（最大） 358.35s API エラー: 5 不正解: 4 タイムアウト: 3 指示に従っていない: 1 反AIトリック : 6.4 コーディング : 3.3 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 : 6.1 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
#124#124	Kimi K2.6none	5.5	Moonshot AI	$0.079 ↓	13.27s
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 36.5% 不安定なテスト 2 入力トークン 32,916 出力トークン 16,410 推論トークン 0 応答時間（平均） 13.27s 応答時間（合計） 278.57s 応答時間（最大） 238.89s 不正解: 11 指示に従っていない: 3 反AIトリック : 4.6 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 : 5.3 汎用知能 : 5.4 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
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
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 71.4% 不安定なテスト 5 入力トークン 38,926 出力トークン 2,088 推論トークン 294,598 応答時間（平均） 63.29s 応答時間（合計） 1265.85s 応答時間（最大） 234.29s 不正解: 4 タイムアウト: 3 API エラー: 1 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 3.7 複合 : 10.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 6.1 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
#94#94	GPT-5 Nanomedium	6.3	OpenAI	$0.081	42.51s
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 57.1% 不安定なテスト 7 入力トークン 34,108 出力トークン 5,464 推論トークン 192,064 応答時間（平均） 42.51s 応答時間（合計） 595.09s 応答時間（最大） 204.02s 不正解: 9 指示に従っていない: 2 タイムアウト: 1 反AIトリック : 6.5 コーディング : 7.0 複合 : 10.0 データ解析と抽出 : 3.7 ドメイン特化 : 5.2 汎用知能 : 4.1 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#106#106	Grok 4.20 Betanone	5.8	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 37.0% 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 反AIトリック : 4.0 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 : 3.0 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
#43#43	MiMo-V2.5-Promedium	7.5	Xiaomi	$0.106 ↓	26.13s
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 68.3% 不安定なテスト 4 入力トークン 40,854 出力トークン 5,015 推論トークン 97,742 応答時間（平均） 26.13s 応答時間（合計） 548.65s 応答時間（最大） 130.77s 余分な書式: 3 不正解: 3 指示に従っていない: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 6.2 複合 : 10.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 5.5 指示追従 : 9.9 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#70#70	GPT-5.4 Nanomedium	7.0	OpenAI	$0.107	11.95s
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 63.5% 不安定なテスト 4 入力トークン 35,434 出力トークン 3,014 推論トークン 76,520 応答時間（平均） 11.95s 応答時間（合計） 250.98s 応答時間（最大） 94.06s 不正解: 8 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 6.1 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 4.1 ツール呼び出し : 10.0 雑学 : 3.0
#32#32	Gemini 3.5 Flashminimal	7.7	Google	$0.108	1.57s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 68.3% 不安定なテスト 1 入力トークン 39,847 出力トークン 5,277 推論トークン 0 応答時間（平均） 1.57s 応答時間（合計） 33.02s 応答時間（最大） 5.51s 不正解: 5 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 : 5.6 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 10.0 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
#16#16	Gemini 3 Flash Previewlow	8.4	Google	$0.111	5.76s
モデルカードを見る合計テスト数 21 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 79.4% 不安定なテスト 2 入力トークン 36,769 出力トークン 2,076 推論トークン 28,518 応答時間（平均） 5.76s 応答時間（合計） 120.93s 応答時間（最大） 14.72s 不正解: 5 反AIトリック : 10.0 コーディング : 5.8 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 : 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
#125#125	GPT-5.4none	5.5	OpenAI	$0.122	1.42s
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 36.5% 不安定なテスト 2 入力トークン 34,212 出力トークン 2,417 推論トークン 0 応答時間（平均） 1.42s 応答時間（合計） 29.87s 応答時間（最大） 2.95s 不正解: 13 指示に従っていない: 1 反AIトリック : 3.2 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 : 4.4 指示追従 : 6.5 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#130#130	MiniMax M2.7medium	5.3	Minimax	$0.124 ↓	38.18s
モデルカードを見る合計テスト数 21 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 46.0% 不安定なテスト 8 入力トークン 34,371 出力トークン 8,981 推論トークン 89,812 応答時間（平均） 38.18s 応答時間（合計） 763.60s 応答時間（最大） 196.21s 不正解: 6 指示に従っていない: 5 タイムアウト: 2 API エラー: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 7.9 コーディング : 5.7 複合 : 4.7 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 3.8 パズル解決 : 5.9 ツール呼び出し : 4.7 雑学 : 3.0
#67#67	MiniMax M3medium	7.1	Minimax	$0.131	68.17s
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 9.6 試行ごとの合格率 65.1% 不安定なテスト 5 入力トークン 46,546 出力トークン 49,036 推論トークン 92,543 応答時間（平均） 68.17s 応答時間（合計） 1363.38s 応答時間（最大） 431.03s タイムアウト: 3 不正解: 3 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 : 5.5 コーディング : 6.1 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.5 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#46#46	Qwen3.6 35B A3Bmedium	7.4	Qwen	$0.146 ↑	18.08s
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 63.5% 不安定なテスト 1 入力トークン 16,385 出力トークン 19,632 推論トークン 130,219 応答時間（平均） 18.08s 応答時間（合計） 343.61s 応答時間（最大） 86.11s 不正解: 4 API エラー: 2 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 : 7.7 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 : 4.4 指示追従 : 10.0 パズル解決 : 8.0 ツール呼び出し : 3.0 雑学 : 3.0
#54#54	GPT-5 Minimedium	7.3	OpenAI	$0.159	23.64s
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 63.5% 不安定なテスト 2 入力トークン 37,100 出力トークン 6,801 推論トークン 67,690 応答時間（平均） 23.64s 応答時間（合計） 496.44s 応答時間（最大） 88.15s 不正解: 5 指示に従っていない: 3 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 : 10.0 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#19#19	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.175	47.07s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 76.2% 不安定なテスト 3 入力トークン 46,740 出力トークン 3,230 推論トークン 78,406 応答時間（平均） 47.07s 応答時間（合計） 988.37s 応答時間（最大） 254.92s 不正解: 5 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 8.0 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 : 6.7 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#18#18	Qwen3.7 Plusmedium	8.2	Qwen	$0.221	38.95s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 77.8% 不安定なテスト 2 入力トークン 40,939 出力トークン 2,125 推論トークン 125,754 応答時間（平均） 38.95s 応答時間（合計） 817.85s 応答時間（最大） 178.04s 不正解: 5 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.1 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 : 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
#17#17	GLM 5medium	8.3	Z.ai	$0.228 ↓	33.54s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 82.5% 不安定なテスト 4 入力トークン 35,224 出力トークン 21,570 推論トークン 102,996 応答時間（平均） 33.54s 応答時間（合計） 435.99s 応答時間（最大） 99.85s 不正解: 3 指示に従っていない: 1 回答なし: 1 タイムアウト: 1 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 : 7.1 ドメイン特化 : 3.5 汎用知能 : 6.1 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
#91#91	GPT-5.5none	6.4	OpenAI	$0.231	1.89s
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 54.0% 不安定なテスト 3 入力トークン 34,212 出力トークン 1,971 推論トークン 0 応答時間（平均） 1.89s 応答時間（合計） 39.64s 応答時間（最大） 5.56s 不正解: 11 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 : 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
#39#39	Qwen3.6 Flashmedium	7.5	Qwen	$0.288 ↓	19.25s
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 71.4% 不安定なテスト 5 入力トークン 42,362 出力トークン 2,995 推論トークン 245,358 応答時間（平均） 19.25s 応答時間（合計） 404.20s 応答時間（最大） 122.87s 不正解: 8 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 5.0 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 : 4.8 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
#55#55	GLM 5.1medium	7.3	Z.ai	$0.292 ↓	33.67s
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 6.7 試行ごとの合格率 68.3% 不安定なテスト 4 入力トークン 32,995 出力トークン 11,655 推論トークン 75,421 応答時間（平均） 33.67s 応答時間（合計） 673.41s 応答時間（最大） 172.60s 不正解: 4 タイムアウト: 2 API エラー: 1 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 : 4.6 複合 : 9.5 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 : 6.4 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#26#26	Qwen3.6 Plusmedium	7.9	Qwen	$0.294 ↑	30.70s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 69.8% 不安定なテスト 2 入力トークン 41,565 出力トークン 1,853 推論トークン 141,973 応答時間（平均） 30.70s 応答時間（合計） 613.99s 応答時間（最大） 201.68s 不正解: 5 API エラー: 1 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 6.1 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 : 5.1 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
#25#25	Qwen3.5 Plus 2026-02-15medium	7.9	Qwen	$0.310 ↓	73.79s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 73.0% 不安定なテスト 3 入力トークン 40,918 出力トークン 2,159 推論トークン 189,604 応答時間（平均） 73.79s 応答時間（合計） 1033.07s 応答時間（最大） 266.69s 不正解: 4 タイムアウト: 2 API エラー: 1 反AIトリック : 8.2 コーディング : 6.6 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 : 4.7 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
#77#77	Claude Sonnet 4.6none	6.8	Anthropic	$0.316	5.04s
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 55.6% 不安定なテスト 1 入力トークン 57,886 出力トークン 9,465 推論トークン 0 応答時間（平均） 5.04s 応答時間（合計） 70.60s 応答時間（最大） 23.84s 不正解: 5 余分な書式: 4 指示に従っていない: 1 反AIトリック : 4.8 コーディング : 5.5 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
#36#36	Qwen3.5 Plus 2026-04-20medium	7.6	Qwen	$0.317 ↓	46.36s
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 66.7% 不安定なテスト 2 入力トークン 42,097 出力トークン 2,280 推論トークン 166,613 応答時間（平均） 46.36s 応答時間（合計） 973.57s 応答時間（最大） 189.38s 不正解: 8 反AIトリック : 10.0 コーディング : 6.2 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 : 4.9 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
#23#23	GLM 5 Turbomedium	8.0	Z.ai	$0.323 ↑	23.00s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 74.6% 不安定なテスト 4 入力トークン 35,593 出力トークン 12,245 推論トークン 62,277 応答時間（平均） 23.00s 応答時間（合計） 482.97s 応答時間（最大） 194.23s 不正解: 4 指示に従っていない: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 8.2 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 : 6.1 指示追従 : 10.0 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#76#76	Kimi K2.5medium	6.8	Moonshot AI	$0.328 ↓	98.43s
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 68.3% 不安定なテスト 8 入力トークン 34,312 出力トークン 48,379 推論トークン 157,747 応答時間（平均） 98.43s 応答時間（合計） 1378.03s 応答時間（最大） 281.00s 不正解: 5 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 反AIトリック : 7.3 コーディング : 6.1 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
#51#51	Mimo V2 PROmedium	7.4	Xiaomi	$0.333 ↑	22.16s
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 9.6 試行ごとの合格率 73.0% 不安定なテスト 5 入力トークン 40,961 出力トークン 2,518 推論トークン 81,801 応答時間（平均） 22.16s 応答時間（合計） 443.22s 応答時間（最大） 136.29s 不正解: 5 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 : 10.0 コーディング : 6.0 複合 : 4.7 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 : 6.4 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