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）
#41#41	Nemotron 3 Ultra 550b A55bmedium	7.5	NVIDIA	$0.000	15.05s
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 9.7 試行ごとの合格率 69.8% 不安定なテスト 3 入力トークン 46,813 出力トークン 18,002 推論トークン 53,091 応答時間（平均） 15.05s 応答時間（合計） 316.09s 応答時間（最大） 43.93s 不正解: 7 API エラー: 1 反AIトリック : 10.0 コーディング : 8.4 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 3.7 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#93#93	Qwen3.6 Plus Previewmedium	6.3	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 47.4% 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 反AIトリック : 8.3 コーディング : 3.0 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 : 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
#28#28	Gemini 2.5 Flashmedium	7.8	Google	$0.379	15.49s
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 1 入力トークン 34,476 出力トークン 1,930 推論トークン 145,145 応答時間（平均） 15.49s 応答時間（合計） 325.39s 応答時間（最大） 95.48s 不正解: 6 指示に従っていない: 1 反AIトリック : 8.4 コーディング : 7.8 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 : 4.8 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#57#57	Step 3.7 Flashlow	7.3	Stepfun	$0.341	15.74s
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 40,101 出力トークン 289,325 推論トークン 0 応答時間（平均） 15.74s 応答時間（合計） 330.63s 応答時間（最大） 124.75s 不正解: 8 回答なし: 1 反AIトリック : 8.7 コーディング : 8.2 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 : 3.4 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#5#5	Qwen3.7 Maxmedium	9.1	Qwen	$0.523 ↓	16.02s
モデルカードを見る合計テスト数 21 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 88.9% 不安定なテスト 1 入力トークン 42,360 出力トークン 2,129 推論トークン 122,959 応答時間（平均） 16.02s 応答時間（合計） 336.51s 応答時間（最大） 59.98s 不正解: 3 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 : 10.0 ドメイン特化 : 5.9 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
#15#15	GPT-5.3-Codexmedium	8.4	OpenAI	$0.740	16.22s
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 34,299 出力トークン 2,357 推論トークン 46,189 応答時間（平均） 16.22s 応答時間（合計） 340.67s 応答時間（最大） 100.93s 不正解: 4 指示に従っていない: 2 反AIトリック : 8.7 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 : 4.6 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 2.8
#33#33	Hy3 previewmedium	7.7	Tencent	$0.018	16.28s
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 66.7% 不安定なテスト 0 入力トークン 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 5.3 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 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
#42#42	GPT-5.2medium	7.5	OpenAI	$0.548	16.88s
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 71.4% 不安定なテスト 4 入力トークン 33,967 出力トークン 2,901 推論トークン 31,932 応答時間（平均） 16.88s 応答時間（合計） 236.34s 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 : 7.5 ツール呼び出し : 4.7 雑学 : 3.0
#52#52	Claude Sonnet 4.6medium	7.4	Anthropic	$1.418	17.06s
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 49,112 出力トークン 54,703 推論トークン 29,970 応答時間（平均） 17.06s 応答時間（合計） 221.83s 応答時間（最大） 46.35s 不正解: 4 余分な書式: 3 タイムアウト: 1 反AIトリック : 6.5 コーディング : 5.7 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 : 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
#149#149	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	4.6	NVIDIA	$0.000	17.13s
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 10.0 試行ごとの合格率 31.6% 不安定なテスト 5 入力トークン 11,661 出力トークン 48,491 推論トークン 180,695 応答時間（平均） 17.13s 応答時間（合計） 222.66s 応答時間（最大） 147.45s 不正解: 7 API エラー: 6 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.4 コーディング : 3.3 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 7.3 パズル解決 : 2.9 ツール呼び出し : 3.0 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
#1🥇 #1	Gemini 3 Flash Previewmedium	9.8	Google	$0.667	18.64s
モデルカードを見る合計テスト数 21 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.4% 不安定なテスト 1 入力トークン 37,017 出力トークン 2,006 推論トークン 214,153 応答時間（平均） 18.64s 応答時間（合計） 391.35s 応答時間（最大） 117.26s 不正解: 1 反AIトリック : 10.0 コーディング : 8.6 複合 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#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
#64#64	MiMo-V2-Flashmedium	7.2	Xiaomi	$0.043 ↑	20.11s
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 65.1% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 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 : 8.1 コーディング : 6.0 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
#4#4	Gemini 3.1 Pro Previewmedium	9.4	Google	$1.054	20.14s
モデルカードを見る合計テスト数 21 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 90.5% 不安定なテスト 0 入力トークン 41,617 出力トークン 1,977 推論トークン 78,896 応答時間（平均） 20.14s 応答時間（合計） 281.92s 応答時間（最大） 88.68s 不正解: 2 反AIトリック : 10.0 コーディング : 7.9 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 : 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
#22#22	Step 3.7 Flashmedium	8.0	Stepfun	$0.376	20.35s
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 9.9 試行ごとの合格率 73.0% 不安定なテスト 2 入力トークン 39,981 出力トークン 319,958 推論トークン 0 応答時間（平均） 20.35s 応答時間（合計） 427.42s 応答時間（最大） 113.98s 不正解: 5 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.8 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.0 指示追従 : 9.8 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 3.0
#126#126	gpt-oss-120bnone	5.4	OpenAI	$0.010 ↓	21.61s
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 38.6% 不安定なテスト 2 入力トークン 9,081 出力トークン 51,664 推論トークン 0 応答時間（平均） 21.61s 応答時間（合計） 345.79s 応答時間（最大） 113.71s 不正解: 8 API エラー: 3 指示に従っていない: 2 反AIトリック : 6.5 コーディング : 4.3 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 : 4.8 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
#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
#99#99	gpt-oss-120bmedium	6.1	OpenAI	$0.013 ↓	22.28s
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 52.4% 不安定なテスト 5 入力トークン 39,084 出力トークン 20,013 推論トークン 50,233 応答時間（平均） 22.28s 応答時間（合計） 311.96s 応答時間（最大） 68.16s 不正解: 9 指示に従っていない: 3 反AIトリック : 6.7 コーディング : 5.9 複合 : 10.0 データ解析と抽出 : 6.4 ドメイン特化 : 2.9 汎用知能 : 4.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 9.8 雑学 : 3.0
#45#45	GPT-5.4 Minimedium	7.5	OpenAI	$0.526	22.34s
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 73.0% 不安定なテスト 5 入力トークン 34,116 出力トークン 2,181 推論トークン 108,937 応答時間（平均） 22.34s 応答時間（合計） 469.20s 応答時間（最大） 138.75s 不正解: 6 指示に従っていない: 3 反AIトリック : 8.6 コーディング : 8.4 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 : 9.8 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#21#21	GPT-5.4medium	8.0	OpenAI	$1.210	22.35s
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 4 入力トークン 34,108 出力トークン 2,242 推論トークン 72,707 応答時間（平均） 22.35s 応答時間（合計） 469.29s 応答時間（最大） 100.41s 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 : 8.8 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 : 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
#59#59	GLM 5V Turbomedium	7.2	Z.ai	$0.457	23.08s
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 68.3% 不安定なテスト 6 入力トークン 44,615 出力トークン 2,347 推論トークン 98,415 応答時間（平均） 23.08s 応答時間（合計） 484.63s 応答時間（最大） 95.88s 不正解: 7 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 : 7.2 コーディング : 6.0 複合 : 6.9 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 : 7.7 ツール呼び出し : 7.0 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
#86#86	Grok 4.1 Fastmedium	6.5	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 61.4% 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 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
#89#89	Hy3 previewlow	6.4	Tencent	$0.015	24.56s
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 52.4% 不安定なテスト 2 入力トークン 21,045 出力トークン 63,460 推論トークン 0 応答時間（平均） 24.56s 応答時間（合計） 368.35s 応答時間（最大） 78.74s API エラー: 7 不正解: 4 反AIトリック : 8.3 コーディング : 5.3 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 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 : 2.8 雑学 : 3.0
#69#69	Claude Opus 4.6medium	7.0	Anthropic	$2.053	25.89s
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 61.9% 不安定なテスト 3 入力トークン 53,227 出力トークン 47,446 推論トークン 24,000 応答時間（平均） 25.89s 応答時間（合計） 362.49s 応答時間（最大） 83.40s 余分な書式: 5 不正解: 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 : 5.7 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 : 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
#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
#139#139	DeepSeek V4 Flashnone	5.0	DeepSeek	$0.008 ↓	26.75s
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 30.2% 不安定なテスト 3 入力トークン 50,127 出力トークン 13,710 推論トークン 0 応答時間（平均） 26.75s 応答時間（合計） 561.82s 応答時間（最大） 111.96s 不正解: 12 余分な書式: 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 : 3.0 コーディング : 4.2 複合 : 4.5 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 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#56#56	MiMo-V2.5medium	7.3	Xiaomi	$0.063 ↓	27.11s
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 69.8% 不安定なテスト 5 入力トークン 41,838 出力トークン 2,827 推論トークン 198,898 応答時間（平均） 27.11s 応答時間（合計） 569.38s 応答時間（最大） 162.44s 不正解: 5 余分な書式: 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 : 6.2 複合 : 10.0 データ解析と抽出 : 2.7 ドメイン特化 : 5.3 汎用知能 : 5.4 指示追従 : 9.9 パズル解決 : 8.2 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