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: 2026-07-02 評価済みモデル数: 174

174/174

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#84#84	Qwen3.6 27Bmedium	6.6	Qwen	$0.336 ↓	59.71s
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 60.3% 不安定なテスト 5 入力トークン 39,376 出力トークン 16,189 推論トークン 122,521 応答時間（平均） 59.71s 応答時間（合計） 1254.01s 応答時間（最大） 168.22s 不正解: 6 回答なし: 3 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 : 7.7 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
#83#83	Step 3.5 Flashmedium	6.6	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 54.0% 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 : 2.4 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
#82#82	GPT-5 Nanomedium	6.7	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
#81#81	gpt-oss-120bmedium	6.7	OpenAI	$0.011 ↓	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
#80#80	Mimo V2 PROmedium	6.7	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
#79#79	MiMo-V2.5medium	6.7	Xiaomi	$0.061 ↓	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
#78#78	Qwen3.6 35B A3Bmedium	6.7	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
#77#77	Hy3 previewhigh	6.8	Tencent	$0.048 ↕	56.57s
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 2 入力トークン 25,987 出力トークン 216,719 推論トークン 0 応答時間（平均） 56.57s 応答時間（合計） 848.59s 応答時間（最大） 149.94s API エラー: 7 不正解: 3 反AIトリック : 6.4 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 : 3.0 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
#76#76	Mimo V2 Omnimedium	6.8	Xiaomi	$0.683 ↓	41.16s
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 55.6% 不安定なテスト 3 入力トークン 37,007 出力トークン 1,952 推論トークン 357,306 応答時間（平均） 41.16s 応答時間（合計） 823.26s 応答時間（最大） 299.23s 不正解: 5 指示に従っていない: 2 回答なし: 2 API エラー: 1 余分な書式: 1 反AIトリック : 10.0 コーディング : 3.3 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
#75#75	Ring-2.6-1Tmedium	6.8	Inclusionai	$0.033 ↕	61.29s
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 60.3% 不安定なテスト 3 入力トークン 35,892 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 API エラー: 2 指示に従っていない: 2 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 : 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
#74#74	Gemini 3.5 Flashminimal	6.8	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
#73#73	Qwen3.5-Flashmedium	6.8	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
#72#72	Grok 4.20 Betamedium	6.8	X AI	$0.750 ↑	9.75s
モデルカードを見る合計テスト数 18 誤答テスト数 4 信頼性該当なし試行ごとの合格率 69.8% 不安定なテスト 1 入力トークン 35,955 出力トークン 1,647 推論トークン 91,565 応答時間（平均） 9.75s 応答時間（合計） 175.48s 応答時間（最大） 31.36s 不正解: 3 指示に従っていない: 1 反AIトリック : 8.7 コーディング : 3.3 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 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 0.0
#71#71	Qwen3.7 Maxnone	6.9	Qwen	$0.054 ↓	1.30s
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 37,107 出力トークン 1,994 推論トークン 0 応答時間（平均） 1.30s 応答時間（合計） 27.21s 応答時間（最大） 3.92s 不正解: 7 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 : 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 : 3.0
#70#70	Gemini 3 Flash Previewnone	6.9	Google	$0.025	1.65s
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 37,011 出力トークン 1,885 推論トークン 0 応答時間（平均） 1.65s 応答時間（合計） 23.07s 応答時間（最大） 3.56s 不正解: 8 反AIトリック : 8.3 コーディング : 5.5 複合 : 4.7 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 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#69#69	Gemini 3.5 Flashnone	7.0	Google	$1.079	9.93s
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 3 入力トークン 13,843 出力トークン 117,518 推論トークン 0 応答時間（平均） 9.93s 応答時間（合計） 178.68s 応答時間（最大） 64.36s API エラー: 3 不正解: 3 反AIトリック : 10.0 コーディング : 8.8 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 7.6 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 2.8
#68#68	Kimi K2.7 Codemedium	7.0	Moonshot AI	$0.583 ↓	83.60s
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 9.2 試行ごとの合格率 66.7% 不安定なテスト 6 入力トークン 25,991 出力トークン 80,516 推論トークン 161,391 応答時間（平均） 83.60s 応答時間（合計） 1671.99s 応答時間（最大） 365.80s 不正解: 5 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 : 7.3 コーディング : 7.6 複合 : 4.7 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 : 5.9 ツール呼び出し : 3.0 雑学 : 3.0
#67#67	Laguna XS 2.1medium	7.0	Poolside	$0.036	30.08s
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 44.4% 不安定なテスト 1 入力トークン 45,324 出力トークン 25,761 推論トークン 268,677 応答時間（平均） 30.08s 応答時間（合計） 631.77s 応答時間（最大） 155.23s 不正解: 11 回答なし: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 9.6 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.0 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
#66#66	GLM 5.1medium	7.1	Z.ai	$0.395 ↑	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
#65#65	Step 3.7 Flashhigh	7.1	Stepfun	$1.148	64.46s
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 38,391 出力トークン 991,355 推論トークン 0 応答時間（平均） 64.46s 応答時間（合計） 1353.57s 応答時間（最大） 364.99s 不正解: 6 回答なし: 4 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 : 4.1 汎用知能 : 5.5 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
#64#64	MiMo-V2-Flashmedium	7.1	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
#63#63	GLM 5.2none	7.1	Z.ai	$0.051 ↓	6.34s
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 9.9 試行ごとの合格率 60.3% 不安定なテスト 1 入力トークン 38,671 出力トークン 4,817 推論トークン 0 応答時間（平均） 6.34s 応答時間（合計） 133.19s 応答時間（最大） 20.69s 不正解: 8 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 3.7 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 : 6.1 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
#62#62	Qwen3.7 Plusnone	7.2	Qwen	$0.023 ↓	2.85s
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 47.6% 不安定なテスト 0 入力トークン 42,510 出力トークン 6,578 推論トークン 0 応答時間（平均） 2.85s 応答時間（合計） 59.86s 応答時間（最大） 29.38s 不正解: 10 指示に従っていない: 1 反AIトリック : 6.5 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 : 3.0 汎用知能 : 5.3 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#61#61	Gemma 4 26B A4Bmedium	7.2	Google	$0.045 ↓	63.41s
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 40,252 出力トークン 28,000 推論トークン 100,490 応答時間（平均） 63.41s 応答時間（合計） 1268.28s 応答時間（最大） 369.32s 不正解: 3 回答なし: 2 タイムアウト: 2 反AIトリック : 10.0 コーディング : 2.9 複合 : 9.6 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
#60#60	DeepSeek V4 Pronone	7.2	DeepSeek	$0.034	6.41s
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 9.9 試行ごとの合格率 52.4% 不安定なテスト 3 入力トークン 53,558 出力トークン 11,424 推論トークン 0 応答時間（平均） 6.41s 応答時間（合計） 134.66s 応答時間（最大） 30.09s 不正解: 8 指示に従っていない: 2 余分な書式: 1 反AIトリック : 3.2 コーディング : 5.6 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 : 5.0 指示追従 : 6.3 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#59#59	Claude Opus 4.8none	7.2	Anthropic	$0.539	3.48s
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 2 入力トークン 67,104 出力トークン 8,107 推論トークン 0 応答時間（平均） 3.48s 応答時間（合計） 73.00s 応答時間（最大） 17.73s 不正解: 4 余分な書式: 3 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.5 コーディング : 5.5 複合 : 9.5 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#58#58	GLM 5V Turbomedium	7.3	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
#57#57	Claude Sonnet 4.6none	7.3	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
#56#56	Hy3 previewmedium	7.3	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
#55#55	Grok 4.20medium	7.3	X AI	$0.609 ↓	27.68s
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 3 入力トークン 44,433 出力トークン 1,819 推論トークン 219,524 応答時間（平均） 27.68s 応答時間（合計） 581.26s 応答時間（最大） 199.66s 不正解: 6 指示に従っていない: 2 余分な書式: 1 反AIトリック : 8.2 コーディング : 6.3 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0

←

1 2 3 4 5 6

→

クイック比較

Gemini 3.5 FlashhighvsGemini 3 Flash Previewmedium Gemini 3.5 FlashhighvsQwen3.7 Maxmedium Gemini 3.5 FlashhighvsGPT-5.5low Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashhighvsClaude Fable 5medium Gemini 3.5 FlashhighvsGemini 3.1 Pro Previewmedium Gemini 3.5 FlashhighvsNemotron 3 Ultra 550b A55bmedium無料で利用可能 Gemini 3.5 FlashhighvsNorth Mini Codemedium無料で利用可能 Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsClaude Fable 5medium

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