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
#54#54	Qwen3.6 Max Previewnone	7.2	Qwen	$0.083	3.31s
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 64.9% 不安定なテスト 2 出力トークン 4,751 推論トークン 0 応答時間（平均） 3.31s 応答時間（合計） 62.80s 応答時間（最大） 20.51s 不正解: 8 反AIトリック : 5.2 コーディング : 5.0 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 : 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
#53#53	GPT-5.4 Nanomedium	7.3	OpenAI	$0.084	10.87s
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 64.9% 不安定なテスト 2 出力トークン 3,016 推論トークン 59,306 応答時間（平均） 10.87s 応答時間（合計） 206.61s 応答時間（最大） 94.06s 不正解: 6 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 10.0 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 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#52#52	Claude Opus 4.6medium	7.4	Anthropic	$1.710	24.59s
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 66.7% 不安定なテスト 2 出力トークン 37,874 推論トークン 21,390 応答時間（平均） 24.59s 応答時間（合計） 295.08s 応答時間（最大） 83.40s 余分な書式: 4 不正解: 3 反AIトリック : 6.4 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 : 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
#51#51	Gemini 3.1 Flash Litehigh	7.5	Google	$2.044	61.96s
モデルカードを見る合計テスト数 18 誤答テスト数 7 信頼性 9.8 試行ごとの合格率 74.1% 不安定なテスト 4 出力トークン 1,984 推論トークン 1,355,583 応答時間（平均） 61.96s 応答時間（合計） 1115.31s 応答時間（最大） 149.23s 指示に従っていない: 3 不正解: 3 回答なし: 1 反AIトリック : 9.4 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 : 5.0 指示追従 : 7.3 パズル解決 : 5.7 ツール呼び出し : 10.0
#50#50	Qwen3.6 Flashmedium	7.5	Qwen	$0.305	15.85s
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 71.9% 不安定なテスト 5 出力トークン 2,830 推論トークン 194,258 応答時間（平均） 15.85s 応答時間（合計） 301.13s 応答時間（最大） 122.87s 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 : 6.7 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 : 4.8 指示追従 : 10.0 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 3.0
#49#49	GLM 5V Turbomedium	7.5	Z.ai	$0.322	16.33s
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 73.7% 不安定なテスト 6 出力トークン 2,373 推論トークン 66,463 応答時間（平均） 16.33s 応答時間（合計） 310.29s 応答時間（最大） 67.08s 不正解: 5 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 : 10.0 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 : 7.6 ツール呼び出し : 7.0 雑学 : 3.0
#48#48	DeepSeek V4 Flashhigh	7.6	DeepSeek	$0.033	45.88s
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 75.4% 不安定なテスト 5 出力トークン 10,281 推論トークン 98,830 応答時間（平均） 45.88s 応答時間（合計） 871.76s 応答時間（最大） 218.13s 不正解: 6 指示に従っていない: 2 反AIトリック : 8.3 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 : 6.1 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
#47#47	GLM 5.1medium	7.6	Z.ai	$0.209	24.43s
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 0.0 試行ごとの合格率 71.9% 不安定なテスト 3 出力トークン 8,087 推論トークン 51,269 応答時間（平均） 24.43s 応答時間（合計） 439.65s 応答時間（最大） 118.52s 不正解: 4 タイムアウト: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 4.7 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
#46#46	GPT-5.3 Chatnone	7.6	OpenAI	$0.348	5.80s
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 70.2% 不安定なテスト 3 出力トークン 21,353 推論トークン 0 応答時間（平均） 5.80s 応答時間（合計） 110.27s 応答時間（最大） 18.33s 不正解: 5 指示に従っていない: 2 反AIトリック : 6.7 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 : 3.5 汎用知能 : 4.6 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
#45#45	Qwen3.5-Flashmedium	7.6	Qwen	$0.089	65.79s
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 6.7 試行ごとの合格率 77.2% 不安定なテスト 6 出力トークン 2,105 推論トークン 228,936 応答時間（平均） 65.79s 応答時間（合計） 1250.00s 応答時間（最大） 234.29s タイムアウト: 3 不正解: 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 : 4.7 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 : 6.6 ツール呼び出し : 10.0 雑学 : 3.0
#44#44	Gemini 3.1 Flash Litelow	7.6	Google	$0.025	1.92s
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 68.4% 不安定なテスト 2 出力トークン 2,702 推論トークン 8,596 応答時間（平均） 1.92s 応答時間（合計） 36.49s 応答時間（最大） 5.66s 不正解: 7 反AIトリック : 7.3 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 : 5.3 汎用知能 : 4.0 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
#43#43	Step 3.5 Flashmedium	7.6	Stepfun	$0.011	41.66s
モデルカードを見る合計テスト数 18 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 2 出力トークン 78,299 推論トークン 173,409 応答時間（平均） 41.66s 応答時間（合計） 499.91s 応答時間（最大） 170.45s 不正解: 4 指示に従っていない: 3 反AIトリック : 10.0 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 : 8.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#42#42	Kimi K2.6medium	7.6	Moonshot AI	$0.778	49.92s
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 71.9% 不安定なテスト 3 出力トークン 96,469 推論トークン 195,991 応答時間（平均） 49.92s 応答時間（合計） 898.64s 応答時間（最大） 215.85s 不正解: 3 指示に従っていない: 2 タイムアウト: 2 反AIトリック : 7.0 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 : 5.3 汎用知能 : 10.0 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
#41#41	GPT-5.2 Chatnone	7.6	OpenAI	$0.309	6.85s
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 71.9% 不安定なテスト 3 出力トークン 18,585 推論トークン 0 応答時間（平均） 6.85s 応答時間（合計） 130.06s 応答時間（最大） 38.52s 不正解: 5 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 : 5.3 汎用知能 : 4.4 指示追従 : 7.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Gemini 3.1 Flash Lite Previewnone	7.7	Google	$0.016	1.28s
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 66.7% 不安定なテスト 1 出力トークン 5,370 推論トークン 0 応答時間（平均） 1.28s 応答時間（合計） 24.23s 応答時間（最大） 3.39s 不正解: 5 指示に従っていない: 2 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 : 5.3 汎用知能 : 4.0 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
#39#39	Hy3 previewlow	7.7	Tencent	$0.000	24.58s
モデルカードを見る合計テスト数 19 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 72.9% 不安定なテスト 1 出力トークン 63,155 推論トークン 0 応答時間（平均） 24.58s 応答時間（合計） 368.71s 応答時間（最大） 78.74s 不正解: 4 API エラー: 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 : 6.5 ドメイン特化 : 5.9 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 : 6.6 雑学 : 3.0
#38#38	Gemma 4 26B A4Bmedium	7.7	Google	$0.034	33.69s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 73.7% 不安定なテスト 3 出力トークン 16,725 推論トークン 61,536 応答時間（平均） 33.69s 応答時間（合計） 606.35s 応答時間（最大） 180.87s 不正解: 4 タイムアウト: 2 反AIトリック : 10.0 コーディング : 2.8 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#37#37	MiMo-V2-Promedium	7.7	Xiaomi	$0.212	16.18s
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 9.4 試行ごとの合格率 77.2% 不安定なテスト 4 出力トークン 2,514 推論トークン 55,816 応答時間（平均） 16.18s 応答時間（合計） 307.48s 応答時間（最大） 82.71s 不正解: 4 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 : 10.0 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
#36#36	Step 3.5 Flashnone	7.8	Stepfun	$0.020	39.03s
モデルカードを見る合計テスト数 12 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 0 出力トークン 64,795 推論トークン 0 応答時間（平均） 39.03s 応答時間（合計） 312.26s 応答時間（最大） 114.12s API エラー: 1 指示に従っていない: 1 不正解: 1 反AIトリック : 10.0 コーディング : 3.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 10.0 汎用知能 : 4.0 指示追従 : 10.0 ツール呼び出し : 0.0 雑学 : 3.0
#34#34	Hy3 previewmedium	7.8	Tencent	$0.000	16.03s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 70.2% 不安定なテスト 1 出力トークン 72,551 推論トークン 0 応答時間（平均） 16.03s 応答時間（合計） 288.59s 応答時間（最大） 46.04s 不正解: 4 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 : 10.0 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#35#35	Claude Sonnet 4.6medium	7.8	Anthropic	$1.237	14.25s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 70.2% 不安定なテスト 1 出力トークン 45,505 推論トークン 28,370 応答時間（平均） 14.25s 応答時間（合計） 156.71s 応答時間（最大） 46.35s 不正解: 3 余分な書式: 2 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 : 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
#33#33	Qwen3.5 Plus 2026-04-20medium	7.8	Qwen	$0.305	35.96s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 9.6 試行ごとの合格率 73.7% 不安定なテスト 2 出力トークン 2,206 推論トークン 118,998 応答時間（平均） 35.96s 応答時間（合計） 683.23s 応答時間（最大） 92.57s 不正解: 6 反AIトリック : 10.0 コーディング : 7.6 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
#32#32	MiMo-V2.5medium	7.8	Xiaomi	$0.253	14.40s
モデルカードを見る合計テスト数 18 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.9% 不安定なテスト 3 出力トークン 2,821 推論トークン 116,207 応答時間（平均） 14.40s 応答時間（合計） 259.20s 応答時間（最大） 86.93s 余分な書式: 2 不正解: 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 : 10.0 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
#30#30	Gemini 3.1 Flash Lite Previewlow	7.9	Google	$0.023	3.12s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 68.4% 不安定なテスト 0 出力トークン 2,256 推論トークン 8,478 応答時間（平均） 3.12s 応答時間（合計） 59.34s 応答時間（最大） 11.91s 不正解: 5 指示に従っていない: 1 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 : 5.3 汎用知能 : 4.0 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
#31#31	Qwen3.5-122B-A10Bmedium	7.9	Qwen	$0.561	32.51s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.4% 不安定なテスト 3 出力トークン 18,457 推論トークン 177,734 応答時間（平均） 32.51s 応答時間（合計） 617.70s 応答時間（最大） 119.29s 不正解: 4 タイムアウト: 2 反AIトリック : 10.0 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 : 3.4 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
#29#29	Gemini 3 Flash Previewnone	7.9	Google	$0.021	1.61s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 73.7% 不安定なテスト 2 出力トークン 1,855 推論トークン 0 応答時間（平均） 1.61s 応答時間（合計） 19.26s 応答時間（最大） 3.56s 不正解: 6 反AIトリック : 8.3 コーディング : 10.0 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
#28#28	Qwen3.6 Plusmedium	7.9	Qwen	$0.016	17.06s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 70.2% 不安定なテスト 1 出力トークン 1,784 推論トークン 91,543 応答時間（平均） 17.06s 応答時間（合計） 307.07s 応答時間（最大） 47.51s 不正解: 4 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 : 3.0 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
#27#27	Gemini 3.1 Flash Litemedium	7.9	Google	$0.059	3.14s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 71.9% 不安定なテスト 2 出力トークン 2,224 推論トークン 32,034 応答時間（平均） 3.14s 応答時間（合計） 59.62s 応答時間（最大） 10.87s 不正解: 5 指示に従っていない: 1 反AIトリック : 9.1 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 : 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
#26#26	GPT-5.4medium	7.9	OpenAI	$0.861	18.38s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.4% 不安定なテスト 3 出力トークン 2,199 推論トークン 50,553 応答時間（平均） 18.38s 応答時間（合計） 349.21s 応答時間（最大） 100.41s 不正解: 4 指示に従っていない: 2 反AIトリック : 8.3 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 : 5.3 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
#25#25	Gemini 2.5 Flashmedium	7.9	Google	$0.322	11.63s
モデルカードを見る合計テスト数 19 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 71.9% 不安定なテスト 1 出力トークン 1,909 推論トークン 123,192 応答時間（平均） 11.63s 応答時間（合計） 220.88s 応答時間（最大） 95.48s 不正解: 5 指示に従っていない: 1 反AIトリック : 8.4 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 : 4.8 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

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