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: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#196#196	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
#44#44	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 3 入力トークン 101,811 出力トークン 8,025 推論トークン 115,938 応答時間（平均） 9.77s 応答時間（合計） 214.83s 応答時間（最大） 47.80s 不正解: 4 指示に従っていない: 3 反AIトリック : 9.2 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 : 5.3 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#164#164	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
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 53.0% 不安定なテスト 2 入力トークン 102,655 出力トークン 29,370 推論トークン 0 応答時間（平均） 9.86s 応答時間（合計） 157.77s 応答時間（最大） 123.00s 不正解: 11 反AIトリック : 4.8 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.4 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
#225#225	Owl Alphanone	5.6	Openrouter	$0.000	9.88s
モデルカードを見る合計テスト数 21 誤答テスト数 14 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 42,283 出力トークン 5,913 推論トークン 0 応答時間（平均） 9.88s 応答時間（合計） 207.38s 応答時間（最大） 47.10s 不正解: 10 指示に従っていない: 3 余分な書式: 1 反AIトリック : 3.4 コーディング : 5.6 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 : 4.3 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
#30#30	Gemini 3.5 Flash Litehigh	8.8	Google	$0.540	10.05s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 2 入力トークン 93,046 出力トークン 5,884 推論トークン 198,741 応答時間（平均） 10.05s 応答時間（合計） 221.06s 応答時間（最大） 36.22s 不正解: 5 反AIトリック : 10.0 コーディング : 8.4 複合 : 9.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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 : 10.0 雑学 : 3.0
#185#185	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
#11#11	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 86.4% 不安定なテスト 0 入力トークン 80,067 出力トークン 5,378 推論トークン 23,162 応答時間（平均） 10.15s 応答時間（合計） 223.24s 応答時間（最大） 56.19s 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 : 5.3 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#139#139	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 3 入力トークン 13,852 出力トークン 119,100 推論トークン 0 応答時間（平均） 10.18s 応答時間（合計） 183.29s 応答時間（最大） 64.36s API エラー: 4 不正解: 4 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 : 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 : 2.8
#16#16	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 135,604 出力トークン 23,814 推論トークン 12,804 応答時間（平均） 10.26s 応答時間（合計） 225.66s 応答時間（最大） 35.43s 不正解: 3 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 : 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
#277#277	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 53.0% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 反AIトリック : 7.3 コーディング : 9.8 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
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 56.1% 不安定なテスト 2 入力トークン 134,582 出力トークン 8,955 推論トークン 15,420 応答時間（平均） 10.33s 応答時間（合計） 227.37s 応答時間（最大） 33.10s 余分な書式: 4 不正解: 4 指示に従っていない: 3 反AIトリック : 6.5 コーディング : 3.4 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 : 10.0 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
#229#229	Qwen3.6 27Bnone	5.5	Qwen	$0.116 ↑	10.62s
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 45.5% 不安定なテスト 6 入力トークン 95,805 出力トークン 16,156 推論トークン 0 応答時間（平均） 10.62s 応答時間（合計） 233.68s 応答時間（最大） 156.31s 不正解: 11 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 : 3.8 コーディング : 5.5 複合 : 3.2 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 5.2 指示追従 : 6.2 パズル解決 : 5.3 ツール呼び出し : 9.5 雑学 : 3.0
#235#235	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.046	10.63s
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 9.9 試行ごとの合格率 43.9% 不安定なテスト 6 入力トークン 61,094 出力トークン 6,532 推論トークン 53,882 応答時間（平均） 10.63s 応答時間（合計） 233.77s 応答時間（最大） 86.23s 不正解: 7 余分な書式: 4 API エラー: 2 指示に従っていない: 2 反AIトリック : 7.3 コーディング : 3.5 複合 : 6.4 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#266#266	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
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 9.6 試行ごとの合格率 30.3% 不安定なテスト 2 入力トークン 114,384 出力トークン 14,903 推論トークン 0 応答時間（平均） 10.71s 応答時間（合計） 214.28s 応答時間（最大） 36.03s 不正解: 9 無効なツール呼び出し: 3 API エラー: 2 指示に従っていない: 2 反AIトリック : 6.8 コーディング : 5.3 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 : 4.0 指示追従 : 9.8 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#252#252	Mistral Small 4medium	5.1	Mistral	$0.097	10.80s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 8 入力トークン 140,559 出力トークン 40,268 推論トークン 93,329 応答時間（平均） 10.80s 応答時間（合計） 237.60s 応答時間（最大） 59.15s 不正解: 13 指示に従っていない: 2 API エラー: 1 回答なし: 1 反AIトリック : 5.6 コーディング : 4.4 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.9 汎用知能 : 4.8 指示追従 : 7.3 パズル解決 : 3.4 ツール呼び出し : 10.0 雑学 : 3.0
#65#65	GPT-5.6 Terrahigh	8.0	OpenAI	$0.836 ↓	11.22s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 68.2% 不安定なテスト 2 入力トークン 81,056 出力トークン 5,055 推論トークン 51,033 応答時間（平均） 11.22s 応答時間（合計） 246.77s 応答時間（最大） 91.49s 不正解: 7 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 : 7.6 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.1 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
#10#10	GPT-5.6 Solhigh	9.4	OpenAI	$0.446 ↓	11.48s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 89.4% 不安定なテスト 3 入力トークン 79,258 出力トークン 4,855 推論トークン 23,853 応答時間（平均） 11.48s 応答時間（合計） 252.62s 応答時間（最大） 54.79s 不正解: 4 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 : 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 : 4.7
#285#285	Laguna S 2.1none	4.5	Poolside	$0.022 ↓	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 15.2% 不安定なテスト 3 入力トークン 125,604 出力トークン 57,634 推論トークン 0 応答時間（平均） 11.67s 応答時間（合計） 256.71s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 1 回答なし: 1 反AIトリック : 3.1 コーディング : 3.4 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#52#52	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 6 入力トークン 135,112 出力トークン 7,594 推論トークン 23,558 応答時間（平均） 11.67s 応答時間（合計） 256.73s 応答時間（最大） 36.59s 不正解: 3 回答なし: 2 余分な書式: 1 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 7.0 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 : 10.0 指示追従 : 7.3 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 2.8
#145#145	DeepSeek V4 Pronone	6.8	DeepSeek	$0.226 ↑	11.71s
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 47.0% 不安定なテスト 4 入力トークン 148,078 出力トークン 35,547 推論トークン 0 応答時間（平均） 11.71s 応答時間（合計） 257.67s 応答時間（最大） 119.44s 不正解: 9 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 3.2 コーディング : 5.6 複合 : 7.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 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
#4#4	Gemini 3.6 Flashmedium	9.8	Google	$0.427 ↓	11.86s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.5% 不安定なテスト 2 入力トークン 64,446 出力トークン 1,974 推論トークン 98,902 応答時間（平均） 11.86s 応答時間（合計） 260.96s 応答時間（最大） 77.15s 不正解: 2 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 : 5.8 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
#51#51	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 4 入力トークン 141,878 出力トークン 11,033 推論トークン 105,456 応答時間（平均） 11.89s 応答時間（合計） 261.69s 応答時間（最大） 54.15s 不正解: 5 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 : 7.9 コーディング : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 7.3 パズル解決 : 8.3 ツール呼び出し : 9.8 雑学 : 3.0
#222#222	Owl Alphamedium	5.6	Openrouter	$0.000	11.95s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 1 入力トークン 43,478 出力トークン 2,974 推論トークン 0 応答時間（平均） 11.95s 応答時間（合計） 250.88s 応答時間（最大） 58.63s 不正解: 10 指示に従っていない: 2 API エラー: 1 反AIトリック : 4.8 コーディング : 5.4 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 : 4.3 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
#113#113	Qwen3.7 Plusnone	7.3	Qwen	$0.106 ↓	12.11s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 0 入力トークン 98,833 出力トークン 58,097 推論トークン 0 応答時間（平均） 12.11s 応答時間（合計） 266.40s 応答時間（最大） 206.03s 不正解: 9 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 : 5.3 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
#3🥉 #3	Gemini 3.7 Flashhigh	9.8	Google	$0.646 ↑	12.22s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.5% 不安定なテスト 2 入力トークン 86,712 出力トークン 6,017 推論トークン 148,829 応答時間（平均） 12.22s 応答時間（合計） 268.78s 応答時間（最大） 91.63s 不正解: 2 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 : 5.8 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

ベンチマーク全体の推移

現在のモデルがスコア、コスト、速度、出力の長さ、カテゴリ別性能をどう両立しているか確認できます。

チャート →

知能とコストのパレートフロンティア

主要企業の最高スコアの推移

知能と応答速度のパレートフロンティア

スコアと出力トークンのパレートフロンティア

モデル全体で見たカテゴリ難易度

クイック比較

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 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