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）
#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
#72#72	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
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 78.8% 不安定なテスト 6 入力トークン 103,916 出力トークン 8,892 推論トークン 87,343 応答時間（平均） 5.12s 応答時間（合計） 112.73s 応答時間（最大） 26.41s 不正解: 6 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 : 7.9 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#70#70	Qwen3.7 Plusmedium	7.9	Qwen	$0.277 ↓	53.51s
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 115,242 出力トークン 6,163 推論トークン 181,174 応答時間（平均） 53.51s 応答時間（合計） 1177.25s 応答時間（最大） 315.30s 不正解: 5 無効なツール呼び出し: 1 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 : 8.2 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
#197#197	GPT-5.6 Terranone	6.0	OpenAI	$0.280 ↓	1.66s
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 42.4% 不安定なテスト 3 入力トークン 102,268 出力トークン 6,221 推論トークン 0 応答時間（平均） 1.66s 応答時間（合計） 36.54s 応答時間（最大） 10.07s 不正解: 11 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 : 4.8 コーディング : 5.5 複合 : 2.9 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 : 8.5 パズル解決 : 5.3 ツール呼び出し : 9.6 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
#48#48	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
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 9.6 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 100,179 出力トークン 904 推論トークン 655,731 応答時間（平均） 167.89s 応答時間（合計） 3693.54s 応答時間（最大） 640.85s 指示に従っていない: 2 回答なし: 2 不正解: 2 反AIトリック : 10.0 コーディング : 8.1 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 : 5.0 指示追従 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#153#153	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
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 100,762 出力トークン 16,454 推論トークン 0 応答時間（平均） 2.65s 応答時間（合計） 58.21s 応答時間（最大） 25.26s 不正解: 6 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 : 6.5 コーディング : 5.6 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 : 6.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#92#92	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
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 9.7 試行ごとの合格率 62.1% 不安定なテスト 5 入力トークン 121,996 出力トークン 90,051 推論トークン 185,731 応答時間（平均） 75.15s 応答時間（合計） 1578.24s 応答時間（最大） 431.03s 不正解: 4 タイムアウト: 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 : 3.2 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
#8#8	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
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 93.9% 不安定なテスト 1 入力トークン 89,055 出力トークン 5,697 推論トークン 58,880 応答時間（平均） 5.87s 応答時間（合計） 129.20s 応答時間（最大） 30.23s 不正解: 2 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 : 10.0
#119#119	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
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 9.6 試行ごとの合格率 63.6% 不安定なテスト 2 入力トークン 42,106 出力トークン 2,280 推論トークン 169,843 応答時間（平均） 46.97s 応答時間（合計） 986.35s 応答時間（最大） 189.38s 不正解: 8 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.2 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 : 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
#85#85	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
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 71.2% 不安定なテスト 4 入力トークン 35,593 出力トークン 12,245 推論トークン 62,277 応答時間（平均） 23.00s 応答時間（合計） 482.97s 応答時間（最大） 194.23s 不正解: 4 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 : 8.2 複合 : 5.0 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
#284#284	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
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 9 入力トークン 142,621 出力トークン 20,409 推論トークン 251,820 応答時間（平均） 69.08s 応答時間（合計） 1036.24s 応答時間（最大） 251.36s 不正解: 7 タイムアウト: 4 指示に従っていない: 3 回答なし: 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 : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#176#176	Mimo V2 PROmedium	6.3	Xiaomi	$0.333 ↑	22.16s
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 9.6 試行ごとの合格率 69.7% 不安定なテスト 5 入力トークン 40,961 出力トークン 2,518 推論トークン 81,801 応答時間（平均） 22.16s 応答時間（合計） 443.22s 応答時間（最大） 136.29s 不正解: 5 API エラー: 1 余分な書式: 1 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 : 6.0 複合 : 2.3 データ解析と抽出 : 7.3 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 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#5#5	GPT-5.6 Sollow	9.5	OpenAI	$0.357 ↓	9.04s
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 78,580 出力トークン 4,476 推論トークン 15,470 応答時間（平均） 9.04s 応答時間（合計） 198.97s 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
#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
#198#198	Gemini 3 PRO Previewmedium	6.0	Google	$0.385 ↑	9.05s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性該当なし試行ごとの合格率 63.6% 不安定なテスト 0 入力トークン 28,848 出力トークン 1,490 推論トークン 10,102 応答時間（平均） 9.05s 応答時間（合計） 90.53s 応答時間（最大） 26.24s API エラー: 4 不正解: 3 反AIトリック : 10.0 コーディング : 3.0 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 : 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
#124#124	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
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 63.6% 不安定なテスト 5 入力トークン 103,842 出力トークン 320,393 推論トークン 0 応答時間（平均） 17.87s 応答時間（合計） 393.04s 応答時間（最大） 124.75s 不正解: 9 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 : 8.2 複合 : 7.3 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 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
#209#209	GPT-5.4none	5.8	OpenAI	$0.397	2.08s
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 34.9% 不安定なテスト 2 入力トークン 108,641 出力トークン 8,339 推論トークン 0 応答時間（平均） 2.08s 応答時間（合計） 45.75s 応答時間（最大） 15.63s 不正解: 14 指示に従っていない: 1 反AIトリック : 3.2 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 : 4.4 指示追従 : 6.5 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#50#50	Inkling Smallhigh	8.4	Thinkingmachines	$0.398 ↓	30.43s
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 85,669 出力トークン 6,092 推論トークン 292,801 応答時間（平均） 30.43s 応答時間（合計） 669.38s 応答時間（最大） 122.60s 不正解: 6 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 : 9.9 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 : 9.8 パズル解決 : 4.8 ツール呼び出し : 3.0 雑学 : 3.0
#110#110	KAT-Coder-Pro V2.5low	7.3	Kwaipilot	$0.400	20.20s
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 68.2% 不安定なテスト 8 入力トークン 87,682 出力トークン 7,166 推論トークン 106,027 応答時間（平均） 20.20s 応答時間（合計） 444.35s 応答時間（最大） 209.15s 不正解: 10 API エラー: 1 反AIトリック : 6.9 コーディング : 7.8 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.1 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#109#109	GLM 5.3high	7.3	Z.ai	$0.403	27.82s
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 74.2% 不安定なテスト 7 入力トークン 87,601 出力トークン 6,006 推論トークン 57,661 応答時間（平均） 27.82s 応答時間（合計） 612.06s 応答時間（最大） 159.91s 不正解: 6 余分な書式: 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 : 6.6 複合 : 6.4 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#152#152	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
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 9.9 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 90,870 出力トークン 5,676 推論トークン 314,918 応答時間（平均） 113.61s 応答時間（合計） 2499.46s 応答時間（最大） 560.39s 不正解: 7 API エラー: 2 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 : 6.6 複合 : 10.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 3.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#71#71	Qwen3.6 Plusmedium	7.8	Qwen	$0.418 ↑	45.52s
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 2 入力トークン 97,698 出力トークン 6,417 推論トークン 191,215 応答時間（平均） 45.52s 応答時間（合計） 955.94s 応答時間（最大） 291.55s 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
#91#91	GPT-5.6 Terralow	7.5	OpenAI	$0.420 ↓	5.45s
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 74.2% 不安定なテスト 6 入力トークン 80,304 出力トークン 4,714 推論トークン 16,872 応答時間（平均） 5.45s 応答時間（合計） 119.83s 応答時間（最大） 19.85s 不正解: 8 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 : 6.6 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 : 4.8 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 4.7 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

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