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）
#132#132	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
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 60.6% 不安定なテスト 5 入力トークン 102,986 出力トークン 5,860 推論トークン 264,399 応答時間（平均） 32.56s 応答時間（合計） 716.36s 応答時間（最大） 199.66s 不正解: 6 余分な書式: 2 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 : 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 : 2.9 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
#76#76	Qwen3.8 27Bmedium	7.8	Qwen	~$0.058	33.05s
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 9.6 試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 98,266 出力トークン 1,861 推論トークン 134,301 応答時間（平均） 33.05s 応答時間（合計） 694.04s 応答時間（最大） 214.63s 不正解: 3 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 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 8.3 ツール呼び出し : 3.0 雑学 : 3.0
#80#80	GLM 5medium	7.7	Z.ai	$0.228 ↓	33.54s
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 78.8% 不安定なテスト 4 入力トークン 35,224 出力トークン 21,570 推論トークン 102,996 応答時間（平均） 33.54s 応答時間（合計） 435.99s 応答時間（最大） 99.85s 不正解: 3 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 : 10.0 複合 : 5.0 データ解析と抽出 : 7.1 ドメイン特化 : 3.5 汎用知能 : 6.1 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
#88#88	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.567 ↕	33.62s
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 66.7% 不安定なテスト 3 入力トークン 233,415 出力トークン 54,384 推論トークン 130,021 応答時間（平均） 33.62s 応答時間（合計） 739.59s 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 : 3.6 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
#233#233	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.037 ↓	36.17s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 4 入力トークン 240,230 出力トークン 100,726 推論トークン 0 応答時間（平均） 36.17s 応答時間（合計） 795.83s 応答時間（最大） 247.27s 不正解: 13 余分な書式: 2 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 : 3.0 コーディング : 4.2 複合 : 4.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.2 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
#60#60	Muse Spark 1.1high	8.0	Meta	$2.253	36.85s
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 6 入力トークン 129,213 出力トークン 8,356 推論トークン 483,560 応答時間（平均） 36.85s 応答時間（合計） 810.72s 応答時間（最大） 196.03s 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 2 API エラー: 1 余分な書式: 1 回答なし: 1 反AIトリック : 7.5 コーディング : 10.0 複合 : 5.9 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 : 6.4 パズル解決 : 7.8 ツール呼び出し : 9.6 雑学 : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.595	37.19s
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 84,593 出力トークン 10,517 推論トークン 397,671 応答時間（平均） 37.19s 応答時間（合計） 818.19s 応答時間（最大） 177.08s 回答なし: 1 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 : 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
#120#120	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
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 92,191 出力トークン 14,286 推論トークン 289,733 応答時間（平均） 38.05s 応答時間（合計） 837.05s 応答時間（最大） 394.54s 不正解: 7 指示に従っていない: 3 API エラー: 1 反AIトリック : 10.0 コーディング : 6.7 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 8.5 パズル解決 : 7.3 ツール呼び出し : 10.0 雑学 : 3.0
#29#29	Muse Spark 1.3medium	8.8	Meta	$1.469	38.57s
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 84.9% 不安定なテスト 3 入力トークン 89,177 出力トークン 11,044 推論トークン 308,220 応答時間（平均） 38.57s 応答時間（合計） 848.59s 応答時間（最大） 219.77s 不正解: 4 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 : 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 : 10.0 ツール呼び出し : 9.6 雑学 : 3.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
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 87.9% 不安定なテスト 3 入力トークン 80,668 出力トークン 5,617 推論トークン 119,699 応答時間（平均） 38.97s 応答時間（合計） 857.43s 応答時間（最大） 332.10s 不正解: 4 反AIトリック : 10.0 コーディング : 8.8 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 : 10.0 ツール呼び出し : 10.0 雑学 : 2.8
#310#310	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
モデルカードを見る合計テスト数 12 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 0 入力トークン 1,971 出力トークン 64,795 推論トークン 0 応答時間（平均） 39.03s 応答時間（合計） 312.26s 応答時間（最大） 114.12s API エラー: 4 指示に従っていない: 1 不正解: 1 反AIトリック : 10.0 コーディング : 9.8 複合 : 1.5 データ解析と抽出 : 1.5 ドメイン特化 : 3.3 汎用知能 : 4.0 指示追従 : 5.0 パズル解決 : 0.0 ツール呼び出し : 3.0 雑学 : 3.0
#69#69	Qwen3.8 27Blow	7.9	Qwen	~$0.071	39.11s
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 68.2% 不安定なテスト 0 入力トークン 99,705 出力トークン 1,545 推論トークン 167,784 応答時間（平均） 39.11s 応答時間（合計） 860.51s 応答時間（最大） 376.04s 不正解: 4 回答なし: 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 : 7.7 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 : 5.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#268#268	Hy4 previewnone	4.8	Tencent	$0.041	39.24s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 4.3 試行ごとの合格率 16.7% 不安定なテスト 1 入力トークン 26,376 出力トークン 7,306 推論トークン 0 応答時間（平均） 39.24s 応答時間（合計） 863.30s 応答時間（最大） 95.32s 不正解: 9 API エラー: 7 指示に従っていない: 2 余分な書式: 1 反AIトリック : 3.3 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 8.7 ドメイン特化 : 6.8 汎用知能 : 5.1 指示追従 : 7.0 パズル解決 : 4.6 ツール呼び出し : 3.0 雑学 : 3.0
#280#280	Cobuddymedium	4.7	Baidu	$0.000	39.90s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 6 入力トークン 37,449 出力トークン 1,677 推論トークン 116,703 応答時間（平均） 39.90s 応答時間（合計） 797.98s 応答時間（最大） 309.02s 不正解: 9 指示に従っていない: 3 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 8.7 コーディング : 3.7 複合 : 1.5 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 4.2 指示追従 : 9.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#204#204	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
#79#79	Qwen3.7 Flashhigh	7.8	Qwen	$0.052	41.37s
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 71.2% 不安定なテスト 6 入力トークン 116,331 出力トークン 12,330 推論トークン 357,920 応答時間（平均） 41.37s 応答時間（合計） 910.11s 応答時間（最大） 431.47s 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 : 10.0 コーディング : 8.2 複合 : 6.9 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 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#259#259	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
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 45.5% 不安定なテスト 9 入力トークン 114,527 出力トークン 18,558 推論トークン 129,146 応答時間（平均） 43.25s 応答時間（合計） 908.21s 応答時間（最大） 196.21s 不正解: 6 指示に従っていない: 5 回答なし: 2 タイムアウト: 2 API エラー: 1 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 : 5.7 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 : 3.9 指示追従 : 3.8 パズル解決 : 5.9 ツール呼び出し : 4.7 雑学 : 3.0
#126#126	Grok 4.3medium	7.0	X AI	$0.741	44.21s
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 66.7% 不安定なテスト 5 入力トークン 140,244 出力トークン 13,739 推論トークン 212,165 応答時間（平均） 44.21s 応答時間（合計） 972.64s 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 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 : 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
#19#19	Qwen3.7 Maxmedium	9.1	Qwen	$1.157 ↓	44.32s
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 86.4% 不安定なテスト 3 入力トークン 106,029 出力トークン 5,748 推論トークン 220,354 応答時間（平均） 44.32s 応答時間（合計） 975.11s 応答時間（最大） 556.06s 不正解: 4 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 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 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
#140#140	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
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 66.7% 不安定なテスト 5 入力トークン 129,050 出力トークン 20,026 推論トークン 616,923 応答時間（平均） 44.97s 応答時間（合計） 989.32s 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 : 2.9 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
#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
#249#249	Granite 4.2 8Bmedium	5.2	IBM Granite	$0.009	45.97s
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 8.7 試行ごとの合格率 34.9% 不安定なテスト 1 入力トークン 52,909 出力トークン 7,058 推論トークン 12,272 応答時間（平均） 45.97s 応答時間（合計） 1011.42s 応答時間（最大） 557.96s 不正解: 9 タイムアウト: 4 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.4 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 3.8 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#173#173	MiMo-V2.5medium	6.4	Xiaomi	$0.104 ↓	46.28s
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 7 入力トークン 105,456 出力トークン 7,108 推論トークン 319,940 応答時間（平均） 46.28s 応答時間（合計） 1018.12s 応答時間（最大） 316.27s 不正解: 5 余分な書式: 2 回答なし: 2 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 : 6.2 複合 : 8.7 データ解析と抽出 : 2.7 ドメイン特化 : 3.6 汎用知能 : 5.4 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
#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
#137#137	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
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 63.6% 不安定なテスト 7 入力トークン 114,477 出力トークン 12,786 推論トークン 457,290 応答時間（平均） 47.38s 応答時間（合計） 1042.43s 応答時間（最大） 593.64s 不正解: 8 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 : 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

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