AI Benchy 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: 2026-08-15 評価済みモデル数: 287

287/287

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#197#197	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
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 42.4% 不安定なテスト 1 入力トークン 37,135 出力トークン 1,989 推論トークン 0 応答時間（平均） 4.03s 応答時間（合計） 56.37s 応答時間（最大） 11.07s 不正解: 12 反AIトリック : 4.8 コーディング : 4.0 複合 : 1.5 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
#196#196	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 9.1 試行ごとの合格率 40.9% 不安定なテスト 3 入力トークン 81,438 出力トークン 17,674 推論トークン 97,900 応答時間（平均） 52.31s 応答時間（合計） 1046.21s 応答時間（最大） 431.98s 不正解: 5 API エラー: 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 : 8.3 コーディング : 3.1 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.1 指示追従 : 7.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#195#195	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 8.5 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 81,742 出力トークン 423,884 推論トークン 1,340,907 応答時間（平均） 141.99s 応答時間（合計） 3123.87s 応答時間（最大） 786.72s 不正解: 9 余分な書式: 2 API エラー: 1 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 8.4 コーディング : 4.5 複合 : 2.9 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 : 9.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#194#194	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 33.3% 不安定なテスト 1 入力トークン 130,863 出力トークン 11,912 推論トークン 0 応答時間（平均） 5.37s 応答時間（合計） 118.06s 応答時間（最大） 64.67s 不正解: 14 回答なし: 1 反AIトリック : 4.8 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 : 5.0 指示追従 : 6.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#193#193	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 2 入力トークン 108,641 出力トークン 8,339 推論トークン 0 応答時間（平均） 2.08s 応答時間（合計） 45.75s 応答時間（最大） 15.63s 不正解: 14 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
#192#192	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 3 入力トークン 129,150 出力トークン 10,643 推論トークン 0 応答時間（平均） 6.84s 応答時間（合計） 150.46s 応答時間（最大） 55.92s 不正解: 11 回答なし: 1 反AIトリック : 4.8 コーディング : 4.5 複合 : 3.8 データ解析と抽出 : 7.1 ドメイン特化 : 7.7 汎用知能 : 5.0 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
#191#191	GPT-5.4 Mininone	5.9	OpenAI	$0.095	1.58s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 31.8% 不安定なテスト 2 入力トークン 79,076 出力トークン 7,898 推論トークン 0 応答時間（平均） 1.58s 応答時間（合計） 34.86s 応答時間（最大） 9.92s 不正解: 13 指示に従っていない: 3 反AIトリック : 3.1 コーディング : 5.5 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 3.0 雑学 : 3.0
#190#190	Hy3 previewhigh	5.9	Tencent	$0.135 ↕	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 53.0% 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 : 5.0 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
#189#189	Mimo V2 Omnimedium	5.9	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 53.0% 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 : 5.0 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
#188#188	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 57.6% 不安定なテスト 8 入力トークン 94,639 出力トークン 108,013 推論トークン 571,526 応答時間（平均） 67.13s 応答時間（合計） 1476.95s 応答時間（最大） 459.19s 不正解: 9 指示に従っていない: 2 回答なし: 2 余分な書式: 1 反AIトリック : 8.7 コーディング : 4.2 複合 : 9.9 データ解析と抽出 : 4.5 ドメイン特化 : 3.6 汎用知能 : 3.8 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
#187#187	Step 3.5 Flashmedium	5.9	Stepfun	$0.132 ↑	191.63s
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 50.0% 不安定なテスト 2 入力トークン 65,716 出力トークン 189,424 推論トークン 379,112 応答時間（平均） 191.63s 応答時間（合計） 3066.07s 応答時間（最大） 1597.85s 不正解: 5 指示に従っていない: 3 API エラー: 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 : 2.4 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 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
#186#186	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.187 ↑	12.73s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 39.4% 不安定なテスト 4 入力トークン 134,530 出力トークン 86,616 推論トークン 0 応答時間（平均） 12.73s 応答時間（合計） 279.97s 応答時間（最大） 209.15s 不正解: 13 指示に従っていない: 2 無効なツール呼び出し: 1 反AIトリック : 3.4 コーディング : 5.5 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#185#185	Qwen3.5-Flashnone	6.0	Qwen	$0.073 ↓	25.28s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 2 入力トークン 282,356 出力トークン 209,201 推論トークン 0 応答時間（平均） 25.28s 応答時間（合計） 556.14s 応答時間（最大） 480.96s 不正解: 14 無効なツール呼び出し: 1 反AIトリック : 3.5 コーディング : 5.5 複合 : 2.9 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 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#184#184	GPT-5 Nanomedium	6.0	OpenAI	$0.118	54.20s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 54.5% 不安定なテスト 9 入力トークン 94,944 出力トークン 12,037 推論トークン 270,400 応答時間（平均） 54.20s 応答時間（合計） 867.23s 応答時間（最大） 227.89s 不正解: 10 指示に従っていない: 2 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 : 7.0 複合 : 6.4 データ解析と抽出 : 3.7 ドメイン特化 : 3.4 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
#183#183	Gemini 3 PRO Previewmedium	6.0	Google	$0.385 ↑	9.05s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性該当なし試行ごとの合格率 63.6% 不安定なテスト 0 入力トークン 28,848 出力トークン 1,490 推論トークン 10,102 応答時間（平均） 9.05s 応答時間（合計） 90.53s 応答時間（最大） 26.24s API エラー: 4 不正解: 3 反AIトリック : 10.0 コーディング : 3.0 複合 : 1.5 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#182#182	GPT-5.6 Terranone	6.0	OpenAI	$0.140 ↓	1.66s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 42.4% 不安定なテスト 3 入力トークン 102,268 出力トークン 6,221 推論トークン 0 応答時間（平均） 1.66s 応答時間（合計） 36.54s 応答時間（最大） 10.07s 不正解: 11 指示に従っていない: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 2.9 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 : 8.5 パズル解決 : 5.3 ツール呼び出し : 9.6 雑学 : 3.0
#181#181	Grok 4.20 Betamedium	6.0	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 66.7% 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 : 5.0 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
#180#180	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 39.4% 不安定なテスト 1 入力トークン 39,886 出力トークン 1,890 推論トークン 0 応答時間（平均） 6.19s 応答時間（合計） 136.23s 応答時間（最大） 118.00s 不正解: 13 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 : 5.5 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 : 5.0 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
#179#179	Trinity Large Thinkinglow	6.0	Arcee AI	$0.658	96.61s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.0% 不安定なテスト 5 入力トークン 122,854 出力トークン 119,810 推論トークン 698,549 応答時間（平均） 96.61s 応答時間（合計） 2125.51s 応答時間（最大） 540.96s 不正解: 7 API エラー: 2 指示に従っていない: 2 無効なツール呼び出し: 2 回答なし: 1 反AIトリック : 8.3 コーディング : 5.3 複合 : 5.2 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#178#178	Nemotron 3 Ultranone	6.1	NVIDIA	$0.095 ↕	3.88s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 42.4% 不安定なテスト 2 入力トークン 101,168 出力トークン 9,470 推論トークン 0 応答時間（平均） 3.88s 応答時間（合計） 85.33s 応答時間（最大） 37.50s 不正解: 11 API エラー: 2 指示に従っていない: 1 反AIトリック : 3.5 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 : 5.3 汎用知能 : 5.0 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
#177#177	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 94,477 出力トークン 51,487 推論トークン 0 応答時間（平均） 13.10s 応答時間（合計） 288.23s 応答時間（最大） 206.05s 不正解: 12 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.9 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#176#176	Gemma 4 31Bnone	6.1	Google	$0.018 ↓	5.41s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 1 入力トークン 125,703 出力トークン 13,317 推論トークン 0 応答時間（平均） 5.41s 応答時間（合計） 108.12s 応答時間（最大） 29.95s 不正解: 10 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 : 5.5 複合 : 3.8 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 : 6.5 パズル解決 : 6.5 ツール呼び出し : 3.0 雑学 : 3.0
#175#175	Qwen3.6 Flashnone	6.1	Qwen	$0.062 ↓	3.73s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 1 入力トークン 139,797 出力トークン 30,947 推論トークン 0 応答時間（平均） 3.73s 応答時間（合計） 81.95s 応答時間（最大） 48.79s 不正解: 12 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 : 3.1 コーディング : 5.4 複合 : 3.8 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 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#174#174	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.798	85.44s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 48.5% 不安定なテスト 6 入力トークン 118,486 出力トークン 156,166 推論トークン 860,619 応答時間（平均） 85.44s 応答時間（合計） 1879.75s 応答時間（最大） 525.14s 不正解: 8 指示に従っていない: 4 無効なツール呼び出し: 2 反AIトリック : 6.8 コーディング : 7.5 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 5.2 ツール呼び出し : 10.0 雑学 : 3.0
#173#173	Inklinglow	6.1	Thinkingmachines	$0.181 ↓	5.11s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 109,893 出力トークン 8,580 推論トークン 10,324 応答時間（平均） 5.11s 応答時間（合計） 112.46s 応答時間（最大） 41.58s 不正解: 8 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 8.3 コーディング : 5.1 複合 : 2.9 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 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#172#172	Qwen3.5-Flashmedium	6.1	Qwen	$0.142 ↓	84.44s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 6 入力トークン 118,508 出力トークン 35,457 推論トークン 477,389 応答時間（平均） 84.44s 応答時間（合計） 1773.20s 応答時間（最大） 515.38s 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 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 3.7 複合 : 6.4 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#170#170	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 2 入力トークン 218,740 出力トークン 90,507 推論トークン 0 応答時間（平均） 10.05s 応答時間（合計） 221.13s 応答時間（最大） 186.24s 不正解: 13 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 : 5.5 複合 : 3.8 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 : 6.3 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#171#171	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.0% 不安定なテスト 4 入力トークン 118,059 出力トークン 10,723 推論トークン 0 応答時間（平均） 1.75s 応答時間（合計） 38.42s 応答時間（最大） 16.25s 不正解: 11 指示に従っていない: 1 回答なし: 1 反AIトリック : 7.5 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 : 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
#169#169	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	20.81s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.0% 不安定なテスト 5 入力トークン 108,767 出力トークン 29,378 推論トークン 68,904 応答時間（平均） 20.81s 応答時間（合計） 332.88s 応答時間（最大） 68.16s 不正解: 9 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 6.7 コーディング : 5.9 複合 : 6.5 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
#168#168	Qwen3.5-35B-A3Bmedium	6.1	Qwen	$1.623 ↑	110.84s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 6 入力トークン 130,450 出力トークン 54,857 推論トークン 838,606 応答時間（平均） 110.84s 応答時間（合計） 2438.58s 応答時間（最大） 950.25s タイムアウト: 4 回答なし: 3 不正解: 2 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 3.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.5 汎用知能 : 2.8 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

クイック比較

Gemini 3.6 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy リーダーボード

おすすめモデル

モデルを絞り込む

クイック比較