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: 2026-07-02 評価済みモデル数: 174

174/174

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#54#54	Gemini 3 Flash Previewlow	7.4	Google	$0.111	5.76s
モデルカードを見る合計テスト数 21 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 79.4% 不安定なテスト 2 入力トークン 36,769 出力トークン 2,076 推論トークン 28,518 応答時間（平均） 5.76s 応答時間（合計） 120.93s 応答時間（最大） 14.72s 不正解: 5 反AIトリック : 10.0 コーディング : 5.8 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
#53#53	MiMo-V2.5-Promedium	7.4	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
#52#52	Seed-2.0-Minimedium	7.4	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
#51#51	Claude Opus 4.7none	7.4	Anthropic	$0.505	3.02s
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 76.2% 不安定なテスト 0 入力トークン 69,576 出力トークン 6,265 推論トークン 0 応答時間（平均） 3.02s 応答時間（合計） 57.44s 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 : 3.3 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
#50#50	DeepSeek V3.2medium	7.5	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
#49#49	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
#48#48	GPT-5.4 Nanomedium	7.5	OpenAI	$0.107	11.95s
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 35,434 出力トークン 3,014 推論トークン 76,520 応答時間（平均） 11.95s 応答時間（合計） 250.98s 応答時間（最大） 94.06s 不正解: 8 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 6.1 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 : 4.1 ツール呼び出し : 10.0 雑学 : 3.0
#47#47	GPT-5.3 Chatnone	7.5	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
#46#46	Mercury 2medium	7.5	Inception	$0.058	2.24s
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 54.0% 不安定なテスト 3 入力トークン 35,116 出力トークン 4,048 推論トークン 61,219 応答時間（平均） 2.24s 応答時間（合計） 44.72s 応答時間（最大） 14.63s 不正解: 8 指示に従っていない: 3 反AIトリック : 6.9 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 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#45#45	Kimi K2.5medium	7.5	Moonshot AI	$0.348 ↓	98.43s
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 68.3% 不安定なテスト 8 入力トークン 34,312 出力トークン 48,379 推論トークン 157,747 応答時間（平均） 98.43s 応答時間（合計） 1378.03s 応答時間（最大） 281.00s 不正解: 5 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 反AIトリック : 7.3 コーディング : 6.1 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 : 6.5 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
#44#44	Grok Build 0.1medium	7.6	X AI	$0.927	49.90s
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 61.9% 不安定なテスト 0 入力トークン 44,418 出力トークン 2,782 推論トークン 438,018 応答時間（平均） 49.90s 応答時間（合計） 1047.92s 応答時間（最大） 252.69s 不正解: 5 余分な書式: 3 反AIトリック : 8.3 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 : 4.4 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
#43#43	DeepSeek V4 Prohigh	7.6	DeepSeek	$0.157	77.20s
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 9.3 試行ごとの合格率 66.7% 不安定なテスト 8 入力トークン 38,726 出力トークン 6,334 推論トークン 159,151 応答時間（平均） 77.20s 応答時間（合計） 1621.17s 応答時間（最大） 416.76s 不正解: 6 指示に従っていない: 2 API エラー: 1 余分な書式: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 5.7 コーディング : 6.1 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 : 10.0 指示追従 : 7.8 パズル解決 : 6.9 ツール呼び出し : 9.8 雑学 : 3.0
#42#42	MiniMax M3medium	7.6	Minimax	$0.131	68.17s
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 9.6 試行ごとの合格率 65.1% 不安定なテスト 5 入力トークン 46,546 出力トークン 49,036 推論トークン 92,543 応答時間（平均） 68.17s 応答時間（合計） 1363.38s 応答時間（最大） 431.03s タイムアウト: 3 不正解: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 反AIトリック : 5.5 コーディング : 6.1 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.5 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#41#41	Step 3.7 Flashlow	7.7	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
#40#40	Claude Opus 4.6medium	7.7	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
#39#39	Grok 4.3medium	7.7	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
#38#38	Claude Opus 4.8low	7.7	Anthropic	$1.270	10.83s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 79.4% 不安定なテスト 3 入力トークン 60,946 出力トークン 31,771 推論トークン 6,831 応答時間（平均） 10.83s 応答時間（合計） 227.39s 応答時間（最大） 127.97s 不正解: 4 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 : 6.6 複合 : 9.8 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#37#37	Qwen3.5-122B-A10Bmedium	7.7	Qwen	$0.588 ↓	42.49s
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 10.0 試行ごとの合格率 73.0% 不安定なテスト 3 入力トークン 41,832 出力トークン 26,187 推論トークン 251,028 応答時間（平均） 42.49s 応答時間（合計） 892.30s 応答時間（最大） 168.16s 不正解: 5 タイムアウト: 2 反AIトリック : 10.0 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#36#36	Kimi K2.6medium	7.8	Moonshot AI	$0.888 ↓	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
#35#35	Gemini 3.1 Flash Litemedium	7.8	Google	$0.071	3.23s
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 65.1% 不安定なテスト 2 入力トークン 36,808 出力トークン 2,254 推論トークン 38,300 応答時間（平均） 3.23s 応答時間（合計） 67.80s 応答時間（最大） 10.87s 不正解: 7 指示に従っていない: 1 反AIトリック : 9.1 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 : 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
#34#34	Qwen3.5 Plus 2026-04-20medium	7.8	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
#33#33	Gemini 3.1 Flash Lite Previewmedium	7.8	Google	$0.068	3.96s
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 61.9% 不安定なテスト 0 入力トークン 37,786 出力トークン 2,210 推論トークン 36,744 応答時間（平均） 3.96s 応答時間（合計） 83.06s 応答時間（最大） 14.93s 不正解: 7 指示に従っていない: 1 反AIトリック : 9.1 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 : 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
#32#32	Claude Sonnet 4.6medium	7.8	Anthropic	$1.418	17.06s
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 65.1% 不安定なテスト 2 入力トークン 49,112 出力トークン 54,703 推論トークン 29,970 応答時間（平均） 17.06s 応答時間（合計） 221.83s 応答時間（最大） 46.35s 不正解: 4 余分な書式: 3 タイムアウト: 1 反AIトリック : 6.5 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 : 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
#31#31	Qwen3.6 Plusmedium	7.8	Qwen	$0.294 ↑	30.70s
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 10.0 試行ごとの合格率 69.8% 不安定なテスト 2 入力トークン 41,565 出力トークン 1,853 推論トークン 141,973 応答時間（平均） 30.70s 応答時間（合計） 613.99s 応答時間（最大） 201.68s 不正解: 5 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 : 6.1 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
#30#30	Claude Sonnet 5medium	7.9	Anthropic	$0.550	9.94s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 79.4% 不安定なテスト 3 入力トークン 67,416 出力トークン 34,012 推論トークン 7,673 応答時間（平均） 9.94s 応答時間（合計） 208.71s 応答時間（最大） 56.94s 不正解: 4 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 : 9.0 複合 : 4.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.8 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
#29#29	Qwen3.5-27Bmedium	7.9	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
#28#28	Qwen3.5 Plus 2026-02-15medium	8.0	Qwen	$0.310 ↓	73.79s
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 10.0 試行ごとの合格率 73.0% 不安定なテスト 3 入力トークン 40,918 出力トークン 2,159 推論トークン 189,604 応答時間（平均） 73.79s 応答時間（合計） 1033.07s 応答時間（最大） 266.69s 不正解: 4 タイムアウト: 2 API エラー: 1 反AIトリック : 8.2 コーディング : 6.6 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
#27#27	GPT-5.4 Minimedium	8.0	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
#26#26	Nemotron 3 Ultra 550b A55bmedium	8.1	NVIDIA	$0.158 ↕	15.05s
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 9.7 試行ごとの合格率 69.8% 不安定なテスト 3 入力トークン 46,813 出力トークン 18,002 推論トークン 53,091 応答時間（平均） 15.05s 応答時間（合計） 316.09s 応答時間（最大） 43.93s 不正解: 7 API エラー: 1 反AIトリック : 10.0 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 : 3.5 汎用知能 : 3.7 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
#25#25	Qwen3.7 Plusmedium	8.2	Qwen	$0.177 ↓	38.95s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 77.8% 不安定なテスト 2 入力トークン 40,939 出力トークン 2,125 推論トークン 125,754 応答時間（平均） 38.95s 応答時間（合計） 817.85s 応答時間（最大） 178.04s 不正解: 5 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.1 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 : 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

←

1 2 3 4 5 6

→

クイック比較

Gemini 3.5 FlashhighvsGemini 3 Flash Previewmedium Gemini 3.5 FlashhighvsQwen3.7 Maxmedium Gemini 3.5 FlashhighvsGPT-5.5low Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashhighvsClaude Fable 5medium Gemini 3.5 FlashhighvsGemini 3.1 Pro Previewmedium Gemini 3.5 FlashhighvsNemotron 3 Ultra 550b A55bmedium無料で利用可能 Gemini 3.5 FlashhighvsNorth Mini Codemedium無料で利用可能 Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsClaude Fable 5medium

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