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: 2026-07-20 評価済みモデル数: 210

210/210

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#77#77	Kimi K2.5medium	7.0	Moonshot AI	$0.600 ↑	99.00s
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 65.2% 不安定なテスト 8 入力トークン 118,448 出力トークン 62,124 推論トークン 165,243 応答時間（平均） 99.00s 応答時間（合計） 1485.04s 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 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 6.1 複合 : 6.7 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
#30#30	GPT-5.2 Chatnone	8.0	OpenAI	$0.604	7.65s
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 74.2% 不安定なテスト 4 入力トークン 101,248 出力トークン 30,424 推論トークン 0 応答時間（平均） 7.65s 応答時間（合計） 168.39s 応答時間（最大） 38.52s 不正解: 6 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.8 複合 : 7.3 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
#105#105	Gemini 3.1 Flash Litelow	6.5	Google	$0.621	16.26s
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 59.1% 不安定なテスト 2 入力トークン 94,224 出力トークン 7,759 推論トークン 390,126 応答時間（平均） 16.26s 応答時間（合計） 357.64s 応答時間（最大） 318.02s 不正解: 9 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 5.5 複合 : 3.2 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
#9#9	Gemini 3.5 Flashmedium	9.1	Google	$0.642	8.20s
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 87.9% 不安定なテスト 1 入力トークン 69,747 出力トークン 2,166 推論トークン 57,436 応答時間（平均） 8.20s 応答時間（合計） 180.47s 応答時間（最大） 76.68s 不正解: 2 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 7.9 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 10.0
#25#25	Gemini 2.5 Flashmedium	8.2	Google	$0.643	21.18s
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 71.2% 不安定なテスト 1 入力トークン 132,498 出力トークン 12,739 推論トークン 228,464 応答時間（平均） 21.18s 応答時間（合計） 465.89s 応答時間（最大） 140.50s 不正解: 6 指示に従っていない: 1 反AIトリック : 8.4 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 : 5.9 汎用知能 : 4.8 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
#104#104	Gemini 3.1 Flash Lite Previewlow	6.5	Google	$0.646	16.70s
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 59.1% 不安定なテスト 0 入力トークン 110,185 出力トークン 14,717 推論トークン 397,483 応答時間（平均） 16.70s 応答時間（合計） 367.47s 応答時間（最大） 309.35s 不正解: 7 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 : 8.3 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
#24#24	Muse Spark 1.1low	8.3	Meta	$0.647	11.45s
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 69.7% 不安定なテスト 4 入力トークン 142,298 出力トークン 10,847 推論トークン 99,467 応答時間（平均） 11.45s 応答時間（合計） 251.92s 応答時間（最大） 54.15s 不正解: 6 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 : 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 : 2.9 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
#63#63	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	8.12s
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 57.6% 不安定なテスト 1 入力トークン 123,264 出力トークン 19,362 推論トークン 0 応答時間（平均） 8.12s 応答時間（合計） 121.78s 応答時間（最大） 51.18s 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 : 9.8 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
#39#39	GPT-5.6 Terramedium	7.8	OpenAI	$0.676	7.11s
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 2 入力トークン 79,175 出力トークン 4,878 推論トークン 26,952 応答時間（平均） 7.11s 応答時間（合計） 156.42s 応答時間（最大） 41.68s 不正解: 8 反AIトリック : 8.3 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 : 5.3 汎用知能 : 5.5 指示追従 : 10.0 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 3.0
#134#134	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
#85#85	Qwen3.6 Flashmedium	6.9	Qwen	$0.738 ↓	44.65s
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 68.2% 不安定なテスト 5 入力トークン 129,041 出力トークン 20,026 推論トークン 614,312 応答時間（平均） 44.65s 応答時間（合計） 982.32s 応答時間（最大） 578.13s 不正解: 8 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 : 5.0 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 : 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
#1🥇 #1	Gemini 3 Flash Previewmedium	9.6	Google	$0.742	19.20s
モデルカードを見る合計テスト数 22 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.5% 不安定なテスト 1 入力トークン 87,861 出力トークン 5,486 推論トークン 227,164 応答時間（平均） 19.20s 応答時間（合計） 422.42s 応答時間（最大） 117.26s 不正解: 1 反AIトリック : 10.0 コーディング : 8.6 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
#90#90	Qwen3.6 35B A3Bmedium	6.7	Qwen	$0.746 ↑	58.06s
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 60.6% 不安定なテスト 1 入力トークン 85,139 出力トークン 61,819 推論トークン 678,766 応答時間（平均） 58.06s 応答時間（合計） 1161.18s 応答時間（最大） 817.57s 不正解: 4 API エラー: 2 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 : 10.0 コーディング : 7.7 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 : 10.0 パズル解決 : 8.0 ツール呼び出し : 3.0 雑学 : 3.0
#131#131	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
#52#52	Kimi K2.7 Codemedium	7.5	Moonshot AI	$0.751 ↓	84.25s
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 65.2% 不安定なテスト 4 入力トークン 72,073 出力トークン 83,714 推論トークン 178,793 応答時間（平均） 84.25s 応答時間（合計） 1769.22s 応答時間（最大） 365.80s 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 反AIトリック : 7.3 コーディング : 7.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.5 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 3.0 雑学 : 3.0
#56#56	GPT-5.4 Minimedium	7.5	OpenAI	$0.756	25.94s
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 71.2% 不安定なテスト 6 入力トークン 97,155 出力トークン 6,211 推論トークン 145,544 応答時間（平均） 25.94s 応答時間（合計） 570.66s 応答時間（最大） 138.75s 不正解: 6 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 : 8.6 コーディング : 8.4 複合 : 6.9 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
#51#51	Nemotron 3 Ultramedium	7.5	NVIDIA	$0.774 ↕	32.21s
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 9.8 試行ごとの合格率 68.2% 不安定なテスト 4 入力トークン 233,488 出力トークン 57,916 推論トークン 128,062 応答時間（平均） 32.21s 応答時間（合計） 708.65s 応答時間（最大） 392.56s 不正解: 7 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 : 8.4 複合 : 6.3 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
#75#75	Grok 4.20medium	7.1	X AI	$0.777 ↓	29.47s
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 63.6% 不安定なテスト 4 入力トークン 102,791 出力トークン 5,363 推論トークン 253,977 応答時間（平均） 29.47s 応答時間（合計） 648.35s 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 無効なツール呼び出し: 1 反AIトリック : 8.2 コーディング : 6.3 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 : 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
#99#99	Qwen3.6 27Bmedium	6.5	Qwen	$0.779 ↑	106.32s
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 59.1% 不安定なテスト 6 入力トークン 106,167 出力トークン 32,889 推論トークン 241,303 応答時間（平均） 106.32s 応答時間（合計） 2339.12s 応答時間（最大） 1085.11s 不正解: 6 回答なし: 3 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 : 8.3 コーディング : 7.7 複合 : 6.7 データ解析と抽出 : 3.5 ドメイン特化 : 2.9 汎用知能 : 6.5 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
#73#73	Grok 4.3medium	7.1	X AI	$0.779	47.45s
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 68.2% 不安定なテスト 4 入力トークン 140,031 出力トークン 13,739 推論トークン 227,682 応答時間（平均） 47.45s 応答時間（合計） 1043.83s 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 回答なし: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.5 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
#119#119	Qwen3.5-35B-A3Bmedium	6.2	Qwen	$0.837 ↓	112.47s
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 66.7% 不安定なテスト 6 入力トークン 130,388 出力トークン 40,630 推論トークン 786,040 応答時間（平均） 112.47s 応答時間（合計） 2474.28s 応答時間（最大） 950.25s タイムアウト: 5 回答なし: 2 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 : 4.1 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
#13#13	GPT-5.3-Codexmedium	8.9	OpenAI	$0.920	16.96s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 4 入力トークン 81,268 出力トークン 6,251 推論トークン 49,274 応答時間（平均） 16.96s 応答時間（合計） 373.19s 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
#23#23	Claude Sonnet 5medium	8.3	Anthropic	$0.922	12.52s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 145,956 出力トークン 52,333 推論トークン 10,874 応答時間（平均） 12.52s 応答時間（合計） 275.42s 応答時間（最大） 66.71s 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 : 7.3 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
#20#20	Grok 4.5low	8.4	X AI	$0.935	15.56s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.8% 不安定なテスト 1 入力トークン 125,596 出力トークン 7,505 推論トークン 106,446 応答時間（平均） 15.56s 応答時間（合計） 342.32s 応答時間（最大） 205.28s 不正解: 6 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 6.1 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
#21#21	GPT-5.2medium	8.4	OpenAI	$0.951	22.62s
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 72.7% 不安定なテスト 4 入力トークン 105,004 出力トークン 9,914 推論トークン 44,868 応答時間（平均） 22.62s 応答時間（合計） 339.28s 応答時間（最大） 102.93s 指示に従っていない: 3 不正解: 3 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 : 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 : 3.7 指示追従 : 9.9 パズル解決 : 7.5 ツール呼び出し : 4.7 雑学 : 3.0
#31#31	GLM 5.2high	8.0	Z.ai	$0.970 ↑	62.65s
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 71.2% 不安定なテスト 3 入力トークン 83,813 出力トークン 69,688 推論トークン 225,659 応答時間（平均） 62.65s 応答時間（合計） 1378.34s 応答時間（最大） 599.43s タイムアウト: 3 不正解: 3 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 : 6.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.7 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
#3🥉 #3	GPT-5.6 Sollow	9.5	OpenAI	$0.971	8.79s
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 86.4% 不安定なテスト 2 入力トークン 78,571 出力トークン 4,476 推論トークン 14,770 応答時間（平均） 8.79s 応答時間（合計） 193.33s 応答時間（最大） 53.91s 不正解: 4 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 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 10.0
#28#28	Inklinghigh	8.0	Thinkingmachines	$1.006	64.16s
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 9.8 試行ごとの合格率 77.3% 不安定なテスト 3 入力トークン 86,746 出力トークン 6,055 推論トークン 220,791 応答時間（平均） 64.16s 応答時間（合計） 1411.59s 応答時間（最大） 327.51s 不正解: 4 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 : 10.0 コーディング : 8.5 複合 : 7.3 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 : 9.8 パズル解決 : 6.9 ツール呼び出し : 3.0 雑学 : 3.0
#44#44	GPT-5.6 Lunahigh	7.7	OpenAI	$1.017	18.68s
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 72.7% 不安定なテスト 3 入力トークン 80,918 出力トークン 5,088 推論トークン 150,910 応答時間（平均） 18.68s 応答時間（合計） 411.05s 応答時間（最大） 111.09s 不正解: 7 反AIトリック : 8.3 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 : 7.7 汎用知能 : 5.0 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
#68#68	Kimi K2.6medium	7.2	Moonshot AI	$1.036 ↓	109.98s
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 9.4 試行ごとの合格率 63.6% 不安定なテスト 4 入力トークン 68,902 出力トークン 111,680 推論トークン 279,860 応答時間（平均） 109.98s 応答時間（合計） 2309.56s 応答時間（最大） 876.20s タイムアウト: 3 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 7.0 コーディング : 5.7 複合 : 6.9 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 : 10.0 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0

←

1 2 3 4 5 6 7

→

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultramedium無料で利用可能 Gemini 3 Flash PreviewmediumvsNorth Mini Codemedium無料で利用可能 Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

AI Benchy リーダーボード

モデルを絞り込む

クイック比較