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）
#274#274	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
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 36.4% 不安定なテスト 7 入力トークン 69,376 出力トークン 97,752 推論トークン 0 応答時間（平均） 12.46s 応答時間（合計） 274.11s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 1 反AIトリック : 5.3 コーディング : 3.3 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#55#55	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
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 75.8% 不安定なテスト 3 入力トークン 145,953 出力トークン 52,330 推論トークン 10,874 応答時間（平均） 12.54s 応答時間（合計） 275.90s 応答時間（最大） 66.71s 不正解: 5 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 : 5.3 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
#9#9	GPT-5.6 Solmedium	9.4	OpenAI	$0.508 ↓	12.63s
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 90.9% 不安定なテスト 3 入力トークン 79,006 出力トークン 4,696 推論トークン 30,281 応答時間（平均） 12.63s 応答時間（合計） 277.88s 応答時間（最大） 79.40s 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 : 5.9 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 : 4.7
#201#201	Qwen3.5-35B-A3Bnone	5.9	Qwen	$0.142 ↑	12.73s
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 10.0 試行ごとの合格率 39.4% 不安定なテスト 4 入力トークン 134,530 出力トークン 86,616 推論トークン 0 応答時間（平均） 12.73s 応答時間（合計） 279.97s 応答時間（最大） 209.15s 不正解: 13 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 : 3.4 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 : 6.5 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
#78#78	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
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 156,522 出力トークン 43,056 推論トークン 9,181 応答時間（平均） 12.88s 応答時間（合計） 283.32s 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 : 9.9 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
#295#295	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 22.7% 不安定なテスト 2 入力トークン 27,172 出力トークン 2,661 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 232.64s 応答時間（最大） 35.84s 不正解: 8 API エラー: 4 指示に従っていない: 4 余分な書式: 1 反AIトリック : 4.8 コーディング : 2.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 指示追従 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#218#218	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.283 ↑	12.93s
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 10.0 試行ごとの合格率 33.3% 不安定なテスト 2 入力トークン 241,575 出力トークン 88,459 推論トークン 0 応答時間（平均） 12.93s 応答時間（合計） 284.39s 応答時間（最大） 212.63s 不正解: 13 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 : 4.8 コーディング : 3.7 複合 : 5.2 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 : 6.3 パズル解決 : 3.8 ツール呼び出し : 10.0 雑学 : 3.0
#31#31	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
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 138,448 出力トークン 40,765 推論トークン 11,162 応答時間（平均） 12.97s 応答時間（合計） 285.29s 応答時間（最大） 70.54s 不正解: 4 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 9.9 データ解析と抽出 : 7.1 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
#192#192	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 94,477 出力トークン 51,487 推論トークン 0 応答時間（平均） 13.10s 応答時間（合計） 288.23s 応答時間（最大） 206.05s 不正解: 12 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.9 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#90#90	GPT-5.4 Nanomedium	7.5	OpenAI	$0.142	13.32s
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 82,828 出力トークン 7,100 推論トークン 92,781 応答時間（平均） 13.32s 応答時間（合計） 292.97s 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 : 9.9 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
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
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 89.4% 不安定なテスト 1 入力トークン 135,958 出力トークン 7,930 推論トークン 32,141 応答時間（平均） 13.59s 応答時間（合計） 298.90s 応答時間（最大） 40.17s 不正解: 3 反AIトリック : 10.0 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 : 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
#146#146	GLM 5.3low	6.8	Z.ai	$0.257	13.65s
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 65.2% 不安定なテスト 4 入力トークン 104,989 出力トークン 8,532 推論トークン 16,276 応答時間（平均） 13.65s 応答時間（合計） 300.22s 応答時間（最大） 83.60s 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 : 6.9 コーディング : 6.2 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 : 4.1 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
#174#174	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
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 9.8 試行ごとの合格率 63.6% 不安定なテスト 4 入力トークン 132,044 出力トークン 92,135 推論トークン 207,321 応答時間（平均） 13.70s 応答時間（合計） 287.75s 応答時間（最大） 75.27s 不正解: 7 無効なツール呼び出し: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 6.7 複合 : 2.9 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 5.0 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
#297#297	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
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 9.8 試行ごとの合格率 9.1% 不安定なテスト 0 入力トークン 184,579 出力トークン 110,071 推論トークン 0 応答時間（平均） 14.02s 応答時間（合計） 294.46s 応答時間（最大） 240.61s 不正解: 13 指示に従っていない: 4 API エラー: 1 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 4.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 3.1 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#17#17	Gemini 3.8 Flashmedium	9.1	Google	$0.653	14.50s
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 92.4% 不安定なテスト 2 入力トークン 95,793 出力トークン 7,066 推論トークン 147,842 応答時間（平均） 14.50s 応答時間（合計） 318.92s 応答時間（最大） 108.60s 不正解: 2 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 : 8.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 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
#106#106	Grok 4.6low	7.4	X AI	$0.449	14.55s
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 69.7% 不安定なテスト 1 入力トークン 109,960 出力トークン 5,124 推論トークン 32,924 応答時間（平均） 14.55s 応答時間（合計） 320.17s 応答時間（最大） 26.46s 不正解: 7 反AIトリック : 10.0 コーディング : 5.5 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 : 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
#243#243	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
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 8.6 試行ごとの合格率 36.4% 不安定なテスト 5 入力トークン 159,749 出力トークン 23,433 推論トークン 0 応答時間（平均） 14.67s 応答時間（合計） 322.71s 応答時間（最大） 132.84s 不正解: 11 余分な書式: 2 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.0 コーディング : 3.6 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.0 指示追従 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#279#279	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 4 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 : 1.5 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 : 3.0 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
#39#39	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
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 78.8% 不安定なテスト 1 入力トークン 89,640 出力トークン 33,092 推論トークン 9,054 応答時間（平均） 15.01s 応答時間（合計） 330.15s 応答時間（最大） 80.80s 回答なし: 3 無効なツール呼び出し: 1 不正解: 1 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 : 5.3 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
#264#264	Qwen3.6 Plus Previewmedium	4.9	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 10 信頼性該当なし試行ごとの合格率 40.9% 不安定なテスト 0 入力トークン 32,639 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 API エラー: 8 不正解: 2 反AIトリック : 8.3 コーディング : 9.8 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 : 3.0 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
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
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 89.4% 不安定なテスト 2 入力トークン 107,146 出力トークン 8,777 推論トークン 196,705 応答時間（平均） 15.46s 応答時間（合計） 340.20s 応答時間（最大） 145.92s 不正解: 2 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 : 10.0 複合 : 8.2 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 : 9.8 雑学 : 10.0
#64#64	Inklingmedium	8.0	Thinkingmachines	$0.383	15.66s
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 75.8% 不安定なテスト 4 入力トークン 124,062 出力トークン 12,190 推論トークン 51,652 応答時間（平均） 15.66s 応答時間（合計） 344.52s 応答時間（最大） 85.12s 不正解: 4 API エラー: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.4 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 : 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
#220#220	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
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 9.8 試行ごとの合格率 42.4% 不安定なテスト 5 入力トークン 50,423 出力トークン 4,144 推論トークン 110,510 応答時間（平均） 15.87s 応答時間（合計） 349.16s 応答時間（最大） 118.35s 不正解: 9 API エラー: 3 余分な書式: 3 反AIトリック : 6.9 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#54#54	Muse Spark 1.3low	8.2	Meta	$0.689	16.03s
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 5 入力トークン 116,947 出力トークン 11,026 推論トークン 116,685 応答時間（平均） 16.03s 応答時間（合計） 352.69s 応答時間（最大） 78.72s 不正解: 4 API エラー: 1 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 : 8.2 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 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 : 10.0 雑学 : 3.0
#46#46	Grok 4.5low	8.4	X AI	$0.945	16.17s
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 77.3% 不安定なテスト 2 入力トークン 125,605 出力トークン 7,505 推論トークン 107,984 応答時間（平均） 16.17s 応答時間（合計） 355.67s 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 : 2.9 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

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