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: 2026-05-10 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）
#24#24	Grok 4.3medium	8.0	X AI	$0.550	48.41s
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 77.2% 不安定なテスト 3 出力トークン 1,237 推論トークン 200,033 応答時間（平均） 48.41s 応答時間（合計） 919.73s 応答時間（最大） 216.69s 不正解: 4 指示に従っていない: 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 : 5.3 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
#23#23	Gemini 3.1 Flash Lite Previewmedium	8.0	Google	$0.058	3.68s
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 2,180 推論トークン 30,831 応答時間（平均） 3.68s 応答時間（合計） 69.99s 応答時間（最大） 14.93s 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 : 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
#22#22	Hy3 previewhigh	8.0	Tencent	$0.000	56.77s
モデルカードを見る合計テスト数 19 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 77.1% 不安定なテスト 1 出力トークン 216,503 推論トークン 0 応答時間（平均） 56.77s 応答時間（合計） 851.49s 応答時間（最大） 149.94s 不正解: 3 API エラー: 1 反AIトリック : 8.9 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 : 0.0 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
#21#21	Qwen3.6 35B A3Bmedium	8.0	Qwen	$0.116	13.22s
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 9.8 試行ごとの合格率 74.5% 不安定なテスト 2 出力トークン 15,018 推論トークン 108,331 応答時間（平均） 13.22s 応答時間（合計） 224.66s 応答時間（最大） 45.02s 不正解: 4 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 : 0.0 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 : 7.9 ツール呼び出し : 0.0 雑学 : 3.0
#20#20	GLM 5 Turbomedium	8.1	Z.ai	$0.187	18.85s
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 6.7 試行ごとの合格率 77.2% 不安定なテスト 4 出力トークン 12,217 推論トークン 40,252 応答時間（平均） 18.85s 応答時間（合計） 358.15s 応答時間（最大） 194.23s 不正解: 4 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 : 10.0 データ解析と抽出 : 10.0 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 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#19#19	GLM 5medium	8.1	Z.ai	$0.180	27.34s
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 80.7% 不安定なテスト 4 出力トークン 20,564 推論トークン 70,787 応答時間（平均） 27.34s 応答時間（合計） 300.78s 応答時間（最大） 79.09s 不正解: 3 指示に従っていない: 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 : 10.0 複合 : 10.0 データ解析と抽出 : 7.1 ドメイン特化 : 3.5 汎用知能 : 6.1 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
#18#18	MiMo-V2.5-Promedium	8.1	Xiaomi	$0.200	16.23s
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 74.1% 不安定なテスト 2 出力トークン 2,790 推論トークン 52,001 応答時間（平均） 16.23s 応答時間（合計） 292.10s 応答時間（最大） 84.22s 余分な書式: 2 指示に従っていない: 2 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 : 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
#17#17	Qwen3.5-27Bmedium	8.1	Qwen	$0.534	54.71s
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 77.2% 不安定なテスト 3 出力トークン 2,531 推論トークン 266,183 応答時間（平均） 54.71s 応答時間（合計） 1039.57s 応答時間（最大） 163.96s 指示に従っていない: 2 不正解: 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 : 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 : 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
#16#16	Grok 4.20 Betamedium	8.2	X AI	$0.633	9.81s
モデルカードを見る合計テスト数 18 誤答テスト数 5 信頼性該当なし試行ごとの合格率 79.6% 不安定なテスト 2 出力トークン 1,568 推論トークン 91,909 応答時間（平均） 9.81s 応答時間（合計） 176.62s 応答時間（最大） 31.36s 不正解: 4 指示に従っていない: 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 : 5.3 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 3.0
#15#15	Qwen3.6 Plus Previewmedium	8.2	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性該当なし試行ごとの合格率 75.0% 不安定なテスト 0 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s 不正解: 3 反AIトリック : 10.0 コーディング : 0.0 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 : 0.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 0.0
#14#14	Gemma 4 31Bmedium	8.2	Google	$0.023	28.72s
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 6.7 試行ごとの合格率 77.2% 不安定なテスト 1 出力トークン 14,426 推論トークン 37,964 応答時間（平均） 28.72s 応答時間（合計） 488.27s 応答時間（最大） 90.14s API エラー: 2 不正解: 2 タイムアウト: 1 反AIトリック : 10.0 コーディング : 4.7 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 : 9.9 ツール呼び出し : 3.0 雑学 : 3.0
#13#13	GPT-5.3-Codexmedium	8.2	OpenAI	$0.598	15.33s
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 80.7% 不安定なテスト 4 出力トークン 2,309 推論トークン 36,880 応答時間（平均） 15.33s 応答時間（合計） 291.34s 応答時間（最大） 100.93s 不正解: 4 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 : 5.9 汎用知能 : 4.6 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 2.8
#12#12	Qwen3.5 Plus 2026-02-15medium	8.2	Qwen	$0.247	51.33s
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 79.0% 不安定なテスト 2 出力トークン 2,145 推論トークン 129,019 応答時間（平均） 51.33s 応答時間（合計） 616.01s 応答時間（最大） 120.91s 不正解: 3 タイムアウト: 2 反AIトリック : 8.2 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#11#11	Seed-2.0-Litemedium	8.3	Bytedance Seed	$0.125	31.32s
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 79.0% 不安定なテスト 3 出力トークン 3,266 推論トークン 54,082 応答時間（平均） 31.32s 応答時間（合計） 595.04s 応答時間（最大） 168.71s 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 : 5.9 汎用知能 : 6.7 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#10#10	Gemini 3 PRO Previewmedium	8.4	Google	$0.197	9.06s
モデルカードを見る合計テスト数 19 誤答テスト数 4 信頼性該当なし試行ごとの合格率 77.8% 不安定なテスト 0 出力トークン 1,508 推論トークン 10,084 応答時間（平均） 9.06s 応答時間（合計） 90.58s 応答時間（最大） 26.24s 不正解: 3 API エラー: 1 反AIトリック : 10.0 コーディング : 3.0 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 : 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 : 0.0
#9#9	Qwen3.6 Max Previewmedium	8.5	Qwen	$0.872	48.96s
モデルカードを見る合計テスト数 19 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 80.7% 不安定なテスト 1 出力トークン 2,186 推論トークン 105,156 応答時間（平均） 48.96s 応答時間（合計） 930.20s 応答時間（最大） 186.74s 不正解: 4 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
#8#8	Gemini 3.1 Flash Lite Previewhigh	8.6	Google	$2.310	68.83s
モデルカードを見る合計テスト数 16 誤答テスト数 3 信頼性該当なし試行ごとの合格率 81.3% 不安定なテスト 0 出力トークン 1,283 推論トークン 1,533,310 応答時間（平均） 68.83s 応答時間（合計） 1101.32s 応答時間（最大） 280.52s 不正解: 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 : 10.0 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0
#7#7	Gemini 3 Flash Previewlow	8.8	Google	$0.093	5.84s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 86.0% 不安定なテスト 1 出力トークン 2,027 推論トークン 23,906 応答時間（平均） 5.84s 応答時間（合計） 110.87s 応答時間（最大） 14.72s 不正解: 3 反AIトリック : 10.0 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 : 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 : 10.0
#5#5	Claude Opus 4.7none	8.9	Anthropic	$0.507	3.04s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 84.2% 不安定なテスト 0 出力トークン 6,329 推論トークン 0 応答時間（平均） 3.04s 応答時間（合計） 57.79s 応答時間（最大） 18.27s 不正解: 3 反AIトリック : 8.3 コーディング : 10.0 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 : 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
#6#6	GPT-5.5low	8.9	OpenAI	$0.706	8.80s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 84.2% 不安定なテスト 0 出力トークン 2,008 推論トークン 16,914 応答時間（平均） 8.80s 応答時間（合計） 167.26s 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
#4#4	GPT-5.5medium	8.9	OpenAI	$2.939	33.02s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 87.7% 不安定なテスト 2 出力トークン 1,950 推論トークン 91,386 応答時間（平均） 33.02s 応答時間（合計） 627.45s 応答時間（最大） 332.10s 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 2.8
#3🥉 #3	Claude Opus 4.7medium	8.9	Anthropic	$0.449	3.46s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 84.2% 不安定なテスト 0 出力トークン 5,399 推論トークン 1,341 応答時間（平均） 3.46s 応答時間（合計） 62.29s 応答時間（最大） 21.45s 不正解: 2 タイムアウト: 1 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 : 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
#2🥈 #2	Gemini 3.1 Pro Previewmedium	9.6	Google	$0.594	15.15s
モデルカードを見る合計テスト数 19 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 94.7% 不安定なテスト 0 出力トークン 1,944 推論トークン 41,839 応答時間（平均） 15.15s 応答時間（合計） 181.78s 応答時間（最大） 40.61s 不正解: 1 反AIトリック : 10.0 コーディング : 10.0 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 : 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
#1🥇 #1	Gemini 3 Flash Previewmedium	10.0	Google	$0.328	11.43s
モデルカードを見る合計テスト数 19 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 100.0% 不安定なテスト 0 出力トークン 1,985 推論トークン 102,122 応答時間（平均） 11.43s 応答時間（合計） 217.10s 応答時間（最大） 74.66s 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 : 10.0 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

クイック比較

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