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: 2026-10-01 評価済みモデル数: 382

382/382

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#206#206	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.7 試行ごとの合格率 63.8% 不安定なテスト 5 入力トークン 317,982 出力トークン 3,918 推論トークン 135,028 応答時間（平均） 7.74s 応答時間（合計） 178.07s 応答時間（最大） 107.89s 不正解: 9 API エラー: 1 タイムアウト: 1 エージェントタスク : 4.7 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 : 3.6 汎用知能 : 4.4 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
#207#207	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 1 入力トークン 230,004 出力トークン 18,040 推論トークン 0 応答時間（平均） 4.67s 応答時間（合計） 107.45s 応答時間（最大） 49.23s 不正解: 7 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 5.0 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
#205#205	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 9.6 試行ごとの合格率 60.9% 不安定なテスト 8 入力トークン 292,271 出力トークン 55,025 推論トークン 186,071 応答時間（平均） 125.76s 応答時間（合計） 2137.84s 応答時間（最大） 566.79s 不正解: 5 タイムアウト: 3 指示に従っていない: 2 回答なし: 2 無効なツール呼び出し: 1 エージェントタスク : 3.9 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 : 2.9 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
#204#204	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
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 62.3% 不安定なテスト 1 入力トークン 106,316 出力トークン 79,338 推論トークン 41,089 応答時間（平均） 28.08s 応答時間（合計） 421.15s 応答時間（最大） 140.96s 不正解: 4 余分な書式: 3 タイムアウト: 1 エージェントタスク : 0.0 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 : 3.0 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 : 3.0
#203#203	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.9 試行ごとの合格率 60.9% 不安定なテスト 5 入力トークン 299,558 出力トークン 33,248 推論トークン 374,819 応答時間（平均） 133.93s 応答時間（合計） 3080.36s 応答時間（最大） 519.91s 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 エージェントタスク : 4.7 反AIトリック : 8.2 コーディング : 5.5 複合 : 6.4 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 : 9.8 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#202#202	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 3 入力トークン 233,893 出力トークン 12,432 推論トークン 0 応答時間（平均） 6.05s 応答時間（合計） 102.89s 応答時間（最大） 57.84s 不正解: 9 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 8.3 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 : 7.7 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#201#201	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 36.2% 不安定なテスト 2 入力トークン 405,921 出力トークン 97,112 推論トークン 0 応答時間（平均） 14.79s 応答時間（合計） 340.25s 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 エージェントタスク : 10.0 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
#200#200	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 46.4% 不安定なテスト 3 入力トークン 352,516 出力トークン 33,786 推論トークン 504,506 応答時間（平均） 48.97s 応答時間（合計） 1126.35s 応答時間（最大） 422.72s 不正解: 10 無効なツール呼び出し: 2 回答なし: 2 エージェントタスク : 6.1 反AIトリック : 4.8 コーディング : 5.5 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 : 5.0 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#199#199	Grok 4.3medium	6.5	X AI	$0.989	44.53s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 5 入力トークン 325,471 出力トークン 14,867 推論トークン 217,675 応答時間（平均） 44.53s 応答時間（合計） 1024.25s 応答時間（最大） 216.69s 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 回答なし: 1 エージェントタスク : 3.9 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 : 3.5 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
#198#198	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 6 入力トークン 106,085 出力トークン 9,071 推論トークン 135,288 応答時間（平均） 21.21s 応答時間（合計） 487.83s 応答時間（最大） 199.97s 不正解: 10 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 3.0 反AIトリック : 7.0 コーディング : 6.4 複合 : 7.3 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 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#197#197	GLM 5.1none	6.5	Z.ai	$0.385 ↑	11.10s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 5 入力トークン 258,956 出力トークン 20,076 推論トークン 0 応答時間（平均） 11.10s 応答時間（合計） 255.39s 応答時間（最大） 107.19s 不正解: 12 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#196#196	GLM 5.3low	6.5	Z.ai	$0.155 ↓	15.18s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 5 入力トークン 247,871 出力トークン 10,791 推論トークン 17,315 応答時間（平均） 15.18s 応答時間（合計） 349.06s 応答時間（最大） 83.60s 不正解: 8 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 5.2 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
#195#195	Mercury 2.5high	6.5	Inception	$0.044	7.62s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.8 試行ごとの合格率 59.4% 不安定なテスト 4 入力トークン 358,562 出力トークン 4,266 推論トークン 189,410 応答時間（平均） 7.62s 応答時間（合計） 175.36s 応答時間（最大） 80.30s 不正解: 9 API エラー: 1 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 10.0 コーディング : 6.4 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 : 5.0 指示追従 : 6.5 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#194#194	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.9 試行ごとの合格率 65.2% 不安定なテスト 6 入力トークン 298,512 出力トークン 3,178 推論トークン 177,419 応答時間（平均） 7.61s 応答時間（合計） 175.08s 応答時間（最大） 86.84s 不正解: 6 指示に従っていない: 2 API エラー: 1 無効なツール呼び出し: 1 タイムアウト: 1 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 6.7 複合 : 3.8 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#193#193	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 3 入力トークン 282,192 出力トークン 75,306 推論トークン 700,868 応答時間（平均） 59.92s 応答時間（合計） 1258.32s 応答時間（最大） 817.57s 不正解: 6 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 エージェントタスク : 6.1 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 : 2.9 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
#192#192	Claude Sonnet 5.5medium	6.5	Anthropic	$1.100	8.03s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 40.6% 不安定なテスト 1 入力トークン 361,183 出力トークン 26,609 推論トークン 11,139 応答時間（平均） 8.03s 応答時間（合計） 184.80s 応答時間（最大） 51.18s 余分な書式: 8 指示に従っていない: 3 無効なツール呼び出し: 1 回答なし: 1 不正解: 1 エージェントタスク : 10.0 反AIトリック : 6.5 コーディング : 3.4 複合 : 8.5 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 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#191#191	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
モデルカードを見る合計テスト数 23 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 87,682 出力トークン 7,166 推論トークン 106,027 応答時間（平均） 19.40s 応答時間（合計） 446.11s 応答時間（最大） 209.15s 不正解: 10 API エラー: 2 エージェントタスク : 3.0 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
#190#190	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 4 入力トークン 421,200 出力トークン 1,100,052 推論トークン 0 応答時間（平均） 72.72s 応答時間（合計） 1672.53s 応答時間（最大） 364.99s 不正解: 8 回答なし: 2 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 5.4 反AIトリック : 10.0 コーディング : 4.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 5.5 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#189#189	Mercury 2medium	6.6	Inception	$0.121	4.40s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 53.6% 不安定なテスト 5 入力トークン 189,300 出力トークン 10,854 推論トークン 86,089 応答時間（平均） 4.40s 応答時間（合計） 96.81s 応答時間（最大） 34.92s 不正解: 9 指示に従っていない: 3 無効なツール呼び出し: 1 エージェントタスク : 4.7 反AIトリック : 6.9 コーディング : 8.2 複合 : 6.7 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
#188#188	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 9.9 試行ごとの合格率 55.1% 不安定なテスト 5 入力トークン 262,387 出力トークン 7,344 推論トークン 338,881 応答時間（平均） 115.00s 応答時間（合計） 2645.11s 応答時間（最大） 560.39s 不正解: 8 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 エージェントタスク : 6.1 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
#187#187	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 8 入力トークン 300,394 出力トークン 14,081 推論トークン 500,844 応答時間（平均） 51.80s 応答時間（合計） 1191.42s 応答時間（最大） 593.64s 不正解: 8 指示に従っていない: 4 無効なツール呼び出し: 1 エージェントタスク : 5.2 反AIトリック : 10.0 コーディング : 6.2 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 : 5.5 指示追従 : 5.8 パズル解決 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#186#186	GLM 5.2none	6.6	Z.ai	$0.173 ↓	11.27s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 3 入力トークン 247,919 出力トークン 17,685 推論トークン 0 応答時間（平均） 11.27s 応答時間（合計） 259.32s 応答時間（最大） 79.65s 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 エージェントタスク : 6.1 反AIトリック : 8.3 コーディング : 3.7 複合 : 6.9 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#185#185	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 56.5% 不安定なテスト 2 入力トークン 205,108 出力トークン 6,197 推論トークン 0 応答時間（平均） 4.75s 応答時間（合計） 109.31s 応答時間（最大） 57.53s 不正解: 11 エージェントタスク : 5.0 反AIトリック : 6.9 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 : 5.3 汎用知能 : 10.0 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
#184#184	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 4 入力トークン 255,173 出力トークン 9,891 推論トークン 17,277 応答時間（平均） 11.82s 応答時間（合計） 271.92s 応答時間（最大） 90.45s 不正解: 8 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 エージェントタスク : 10.0 反AIトリック : 8.7 コーディング : 5.4 複合 : 3.8 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#183#183	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 3 入力トークン 207,852 出力トークン 5,555 推論トークン 0 応答時間（平均） 4.61s 応答時間（合計） 105.93s 応答時間（最大） 58.28s 不正解: 10 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 8.3 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 : 5.9 汎用知能 : 6.5 指示追従 : 8.5 パズル解決 : 7.7 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 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow