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）
#71#71	Step 3.7 Flashhigh	7.0	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
#72#72	DeepSeek V3.2medium	7.0	DeepSeek	$0.044 ↓	68.71s
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 65.1% 不安定なテスト 6 入力トークン 38,333 出力トークン 7,186 推論トークン 99,081 応答時間（平均） 68.71s 応答時間（合計） 1442.81s 応答時間（最大） 376.10s 不正解: 5 API エラー: 2 タイムアウト: 2 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 6.0 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 : 3.4 指示追従 : 10.0 パズル解決 : 7.0 ツール呼び出し : 10.0 雑学 : 3.0
#73#73	Seed-2.0-Minimedium	6.9	Bytedance Seed	$0.044	80.22s
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 6.7 試行ごとの合格率 57.1% 不安定なテスト 2 入力トークン 41,904 出力トークン 2,555 推論トークン 95,974 応答時間（平均） 80.22s 応答時間（合計） 1363.72s 応答時間（最大） 262.83s タイムアウト: 5 不正解: 4 指示に従っていない: 1 反AIトリック : 6.6 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 : 5.1 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
#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
#75#75	Ring-2.6-1Tmedium	6.9	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
#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
#82#82	Hy3 previewhigh	6.6	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
#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
#53#53	Gemini 3.1 Flash Litehigh	7.3	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 8 信頼性 10.0 試行ごとの合格率 68.5% 不安定なテスト 4 入力トークン 29,134 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 不正解: 4 指示に従っていない: 3 回答なし: 1 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 : 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
#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
#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
#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
#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
#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
#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
#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
#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
#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
#58#58	Gemini 3.1 Flash Lite Previewnone	7.2	Google	$0.018	1.21s
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 60.3% 不安定なテスト 1 入力トークン 37,582 出力トークン 5,547 推論トークン 0 応答時間（平均） 1.21s 応答時間（合計） 25.45s 応答時間（最大） 3.39s 不正解: 7 指示に従っていない: 2 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 : 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
#60#60	Kimi K2.6medium	7.2	Moonshot AI	$0.891 ↓	71.67s
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 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 29,450 出力トークン 102,923 推論トークン 254,094 応答時間（平均） 71.67s 応答時間（合計） 1433.36s 応答時間（最大） 406.78s タイムアウト: 3 不正解: 3 指示に従っていない: 2 回答なし: 1 反AIトリック : 7.0 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 : 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
#61#61	Gemini 3.1 Flash Litelow	7.2	Google	$0.028	1.89s
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 2 入力トークン 36,892 出力トークン 2,732 推論トークン 9,260 応答時間（平均） 1.89s 応答時間（合計） 39.62s 応答時間（最大） 5.66s 不正解: 9 反AIトリック : 7.3 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 : 4.0 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
#63#63	GPT-5.3 Chatnone	7.2	OpenAI	$0.433	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 10.0 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 34,209 出力トークン 26,617 推論トークン 0 応答時間（平均） 6.34s 応答時間（合計） 133.13s 応答時間（最大） 18.33s 不正解: 7 指示に従っていない: 2 反AIトリック : 6.7 コーディング : 5.6 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
#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
#65#65	Grok 4.20medium	7.1	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
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
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） 3.47s 応答時間（合計） 72.90s 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
#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
#30#30	Qwen3.5-27Bmedium	7.8	Qwen	$0.536 ↓	68.39s
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 73.0% 不安定なテスト 4 入力トークン 42,164 出力トークン 8,534 推論トークン 329,289 応答時間（平均） 68.39s 応答時間（合計） 1436.24s 応答時間（最大） 234.36s 不正解: 4 指示に従っていない: 2 余分な書式: 1 タイムアウト: 1 反AIトリック : 8.7 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 : 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
#31#31	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.029 ↓	45.85s
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 74.6% 不安定なテスト 4 入力トークン 39,745 出力トークン 10,310 推論トークン 123,501 応答時間（平均） 45.85s 応答時間（合計） 962.79s 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 : 7.8 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 : 8.2 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
#38#38	Grok 4.3medium	7.6	X AI	$0.614	47.51s
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 44,472 出力トークン 1,981 推論トークン 221,382 応答時間（平均） 47.51s 応答時間（合計） 997.68s 応答時間（最大） 216.69s 不正解: 5 指示に従っていない: 2 余分な書式: 1 反AIトリック : 10.0 コーディング : 5.9 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 : 5.4 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

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