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: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#172#172	Claude Opus 4.8low	7.2	Anthropic	$3.787	17.13s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 78.3% 不安定なテスト 4 入力トークン 409,947 出力トークン 46,060 推論トークン 23,429 応答時間（平均） 17.13s 応答時間（合計） 394.01s 応答時間（最大） 127.97s 不正解: 5 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 : 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
#322#322	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 9.0 試行ごとの合格率 37.7% 不安定なテスト 6 入力トークン 319,668 出力トークン 32,069 推論トークン 0 応答時間（平均） 17.51s 応答時間（合計） 402.66s 応答時間（最大） 132.84s 不正解: 12 余分な書式: 2 指示に従っていない: 2 回答なし: 1 エージェントタスク : 6.1 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
#370#370	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 10.0 試行ごとの合格率 14.5% 不安定なテスト 3 入力トークン 287,445 出力トークン 99,097 推論トークン 0 応答時間（平均） 17.65s 応答時間（合計） 406.05s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 2 回答なし: 1 エージェントタスク : 5.4 反AIトリック : 3.1 コーディング : 3.4 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#78#78	Muse Spark 1.3low	8.5	Meta	$0.911	17.73s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 82.6% 不安定なテスト 5 入力トークン 270,231 出力トークン 13,363 推論トークン 121,332 応答時間（平均） 17.73s 応答時間（合計） 407.75s 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 エージェントタスク : 10.0 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
#131#131	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
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 56.5% 不安定なテスト 0 入力トークン 250,495 出力トークン 76,261 推論トークン 0 応答時間（平均） 17.80s 応答時間（合計） 409.51s 応答時間（最大） 206.03s 不正解: 9 指示に従っていない: 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 : 5.5 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 : 5.3 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
#95#95	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 3 入力トークン 203,193 出力トークン 5,751 推論トークン 47,410 応答時間（平均） 18.07s 応答時間（合計） 415.53s 応答時間（最大） 66.44s 不正解: 7 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 8.3 コーディング : 6.6 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 : 4.4 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
#132#132	Grok 4.5low	7.8	X AI	$1.345	18.14s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 308,068 出力トークン 9,218 推論トークン 112,197 応答時間（平均） 18.14s 応答時間（合計） 417.21s 応答時間（最大） 205.28s 不正解: 7 エージェントタスク : 5.0 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
#313#313	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 37.7% 不安定なテスト 4 入力トークン 218,886 出力トークン 135,768 推論トークン 0 応答時間（平均） 18.31s 応答時間（合計） 421.19s 応答時間（最大） 209.15s 不正解: 14 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 : 3.9 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
#110#110	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 197,896 出力トークン 6,211 推論トークン 133,184 応答時間（平均） 18.39s 応答時間（合計） 422.93s 応答時間（最大） 111.09s 不正解: 8 エージェントタスク : 10.0 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 : 5.3 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
#278#278	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 9.8 試行ごとの合格率 44.9% 不安定なテスト 5 入力トークン 299,984 出力トークン 69,664 推論トークン 0 応答時間（平均） 18.49s 応答時間（合計） 425.33s 応答時間（最大） 206.05s 不正解: 12 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 : 6.1 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
#93#93	Gemini 3.5 Flashhigh	8.3	Google	$2.737	18.59s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 85.5% 不安定なテスト 2 入力トークン 348,103 出力トークン 11,045 推論トークン 234,967 応答時間（平均） 18.59s 応答時間（合計） 427.52s 応答時間（最大） 145.92s 無効なツール呼び出し: 2 不正解: 2 エージェントタスク : 3.4 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
#38#38	GPT-5.3-Codexmedium	9.1	OpenAI	$1.318	18.87s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 84.1% 不安定なテスト 4 入力トークン 222,794 出力トークン 7,357 推論トークン 58,930 応答時間（平均） 18.87s 応答時間（合計） 433.94s 応答時間（最大） 100.93s 不正解: 4 指示に従っていない: 2 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 : 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
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.900 ↓	18.93s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.6% 不安定なテスト 1 入力トークン 238,080 出力トークン 4,211 推論トークン 188,109 応答時間（平均） 18.93s 応答時間（合計） 435.48s 応答時間（最大） 104.15s 不正解: 1 エージェントタスク : 10.0 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
#257#257	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 60.9% 不安定なテスト 2 入力トークン 312,368 出力トークン 9,429 推論トークン 416,147 応答時間（平均） 19.02s 応答時間（合計） 437.38s 応答時間（最大） 318.02s 不正解: 9 無効なツール呼び出し: 1 エージェントタスク : 5.0 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 : 7.7 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
#17#17	Gemini 4 Argonhigh	9.5	Google	$1.802	19.03s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 9.9 試行ごとの合格率 97.1% 不安定なテスト 2 入力トークン 240,264 出力トークン 5,707 推論トークン 126,366 応答時間（平均） 19.03s 応答時間（合計） 437.77s 応答時間（最大） 82.53s API エラー: 1 不正解: 1 エージェントタスク : 10.0 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 : 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
#255#255	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 309,715 出力トークン 16,170 推論トークン 422,721 応答時間（平均） 19.04s 応答時間（合計） 437.98s 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 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 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 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
#226#226	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
#256#256	Minimax M3.1 Flashmedium	6.3	Minimax	$0.000	19.52s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 9 入力トークン 363,168 出力トークン 10,380 推論トークン 132,146 応答時間（平均） 19.52s 応答時間（合計） 449.04s 応答時間（最大） 181.80s 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 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 6.4 コーディング : 5.5 複合 : 7.2 データ解析と抽出 : 6.5 ドメイン特化 : 4.1 汎用知能 : 5.1 指示追従 : 4.8 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#357#357	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 1 入力トークン 250,329 出力トークン 45,168 推論トークン 0 応答時間（平均） 19.73s 応答時間（合計） 355.09s 応答時間（最大） 208.38s 不正解: 15 余分な書式: 1 指示に従っていない: 1 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 3.6 コーディング : 4.6 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 : 10.0 指示追従 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#259#259	Qwen3.5 Plus 2026-02-15none	6.3	Qwen	$0.176	20.07s
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 52.2% 不安定なテスト 3 入力トークン 346,064 出力トークン 53,060 推論トークン 0 応答時間（平均） 20.07s 応答時間（合計） 341.27s 応答時間（最大） 183.50s 不正解: 11 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 : 4.8 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.4 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
#342#342	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
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 10.0 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 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 エージェントタスク : 0.0 反AIトリック : 8.1 コーディング : 6.0 複合 : 4.9 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 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
#7#7	GPT-6 Astrahigh	9.9	OpenAI	$4.458	20.16s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 9.9 試行ごとの合格率 97.1% 不安定なテスト 1 入力トークン 167,805 出力トークン 5,651 推論トークン 49,944 応答時間（平均） 20.16s 応答時間（合計） 463.68s 応答時間（最大） 254.93s 不正解: 1 エージェントタスク : 10.0 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 : 7.6 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 : 10.0
#135#135	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 4 入力トークン 229,986 出力トークン 6,037 推論トークン 95,550 応答時間（平均） 20.37s 応答時間（合計） 468.52s 応答時間（最大） 106.93s 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 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 : 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 : 5.1 指示追従 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#304#304	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 9.7 試行ごとの合格率 31.9% 不安定なテスト 2 入力トークン 257,872 出力トークン 54,388 推論トークン 0 応答時間（平均） 20.43s 応答時間（合計） 469.88s 応答時間（最大） 192.80s 不正解: 15 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 : 3.6 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.3 指示追従 : 6.5 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#319#319	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
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 9.9 試行ごとの合格率 40.6% 不安定なテスト 5 入力トークン 222,357 出力トークン 6,855 推論トークン 0 応答時間（平均） 20.48s 応答時間（合計） 470.96s 応答時間（最大） 98.62s 不正解: 13 API エラー: 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 : 5.0 反AIトリック : 4.8 コーディング : 5.5 複合 : 3.8 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 5.1 指示追従 : 6.2 パズル解決 : 5.4 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