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）
#182#182	GPT 5.3 Chatnone	6.7	OpenAI	$0.533	6.31s
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 4 入力トークン 78,846 出力トークン 28,179 推論トークン 0 応答時間（平均） 6.31s 応答時間（合計） 138.73s 応答時間（最大） 18.33s 不正解: 6 API エラー: 2 指示に従っていない: 2 エージェントタスク : 3.0 反AIトリック : 6.7 コーディング : 5.6 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 : 4.6 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
#181#181	Ember-1max	6.7	Fireworks	$3.264	97.34s
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 8.3 試行ごとの合格率 59.4% 不安定なテスト 6 入力トークン 153,399 出力トークン 7,803 推論トークン 179,098 応答時間（平均） 97.34s 応答時間（合計） 2238.73s 応答時間（最大） 587.08s API エラー: 8 不正解: 3 回答なし: 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 : 5.2 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 3.6 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 : 3.0 雑学 : 3.0
#180#180	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
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 9.7 試行ごとの合格率 59.4% 不安定なテスト 5 入力トークン 166,517 出力トークン 107,386 推論トークン 217,548 応答時間（平均） 77.03s 応答時間（合計） 1694.74s 応答時間（最大） 431.03s 不正解: 5 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 エージェントタスク : 3.0 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
#179#179	Grok 4.7high	6.7	X AI	$3.037	122.19s
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 9.6 試行ごとの合格率 72.5% 不安定なテスト 7 入力トークン 329,276 出力トークン 8,172 推論トークン 479,012 応答時間（平均） 122.19s 応答時間（合計） 2810.40s 応答時間（最大） 573.57s 回答なし: 3 指示に従っていない: 2 無効なツール呼び出し: 2 不正解: 2 API エラー: 1 エージェントタスク : 3.0 反AIトリック : 8.7 コーディング : 6.0 複合 : 8.6 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 : 8.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#178#178	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 7 入力トークン 384,974 出力トークン 13,946 推論トークン 371,916 応答時間（平均） 145.21s 応答時間（合計） 3339.87s 応答時間（最大） 640.89s 不正解: 7 指示に従っていない: 2 API エラー: 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 : 8.2 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 : 2.9 汎用知能 : 5.5 指示追従 : 8.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#177#177	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
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 37.7% 不安定なテスト 2 入力トークン 463,872 出力トークン 219,122 推論トークン 0 応答時間（平均） 26.52s 応答時間（合計） 609.94s 応答時間（最大） 480.96s 不正解: 14 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 : 3.5 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 : 10.0 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
#176#176	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
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 358,616 出力トークン 9,651 推論トークン 520,155 応答時間（平均） 55.13s 応答時間（合計） 1268.10s 応答時間（最大） 252.69s 不正解: 6 余分な書式: 3 無効なツール呼び出し: 1 エージェントタスク : 3.4 反AIトリック : 8.3 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 : 2.9 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
#175#175	Grok 4.7xhigh	6.7	X AI	$3.398	123.96s
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 9.7 試行ごとの合格率 73.9% 不安定なテスト 6 入力トークン 310,049 出力トークン 6,094 推論トークン 566,221 応答時間（平均） 123.96s 応答時間（合計） 2851.07s 応答時間（最大） 775.64s 回答なし: 4 不正解: 3 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 : 8.7 コーディング : 5.3 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.7 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
#174#174	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
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 58.0% 不安定なテスト 2 入力トークン 150,033 出力トークン 22,347 推論トークン 402,143 応答時間（平均） 142.76s 応答時間（合計） 3283.43s 応答時間（最大） 491.42s 不正解: 5 指示に従っていない: 3 回答なし: 2 余分な書式: 1 エージェントタスク : 3.0 反AIトリック : 8.3 コーディング : 5.8 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 : 5.5 指示追従 : 8.4 パズル解決 : 8.9 ツール呼び出し : 10.0 雑学 : 3.0
#173#173	Space Bunny Alphamax	6.7	Stealth	$0.000	36.24s
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 59.4% 不安定なテスト 5 入力トークン 315,136 出力トークン 219,014 推論トークン 0 応答時間（平均） 36.24s 応答時間（合計） 833.43s 応答時間（最大） 320.00s 不正解: 10 指示に従っていない: 2 エージェントタスク : 6.1 反AIトリック : 6.4 コーディング : 5.7 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 : 5.3 指示追従 : 5.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#172#172	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
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 63.8% 不安定なテスト 4 入力トークン 235,086 出力トークン 7,989 推論トークン 0 応答時間（平均） 9.02s 応答時間（合計） 207.45s 応答時間（最大） 57.02s 不正解: 10 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 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#171#171	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
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 66.7% 不安定なテスト 1 入力トークン 397,291 出力トークン 6,355 推論トークン 143,752 応答時間（平均） 6.66s 応答時間（合計） 153.29s 応答時間（最大） 74.63s 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 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 : 7.8 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 : 5.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#170#170	Inklinglow	6.8	Thinkingmachines	$0.298 ↓	6.81s
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 56.5% 不安定なテスト 4 入力トークン 213,901 出力トークン 9,623 推論トークン 12,414 応答時間（平均） 6.81s 応答時間（合計） 156.70s 応答時間（最大） 44.24s 不正解: 8 指示に従っていない: 2 無効なツール呼び出し: 2 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 : 5.1 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 : 10.0 指示追従 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#169#169	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
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 66.7% 不安定なテスト 6 入力トークン 349,177 出力トークン 54,279 推論トークン 477,389 応答時間（平均） 83.68s 応答時間（合計） 1840.92s 応答時間（最大） 515.38s 不正解: 5 タイムアウト: 3 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 : 3.7 複合 : 6.4 データ解析と抽出 : 7.3 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#168#168	Kimi K2.6medium	6.8	Moonshot AI	$0.729 ↓	121.25s
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 4 入力トークン 226,880 出力トークン 65,346 推論トークン 331,325 応答時間（平均） 121.25s 応答時間（合計） 2667.55s 応答時間（最大） 876.20s 不正解: 4 タイムアウト: 3 指示に従っていない: 2 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 : 7.0 コーディング : 5.7 複合 : 6.9 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 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#167#167	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
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 345,059 出力トークン 24,343 推論トークン 0 応答時間（平均） 7.54s 応答時間（合計） 173.31s 応答時間（最大） 65.07s 不正解: 5 余分な書式: 3 指示に従っていない: 1 回答なし: 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 : 5.5 複合 : 9.8 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#166#166	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
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 46.4% 不安定なテスト 2 入力トークン 291,853 出力トークン 24,116 推論トークン 8,327 応答時間（平均） 7.46s 応答時間（合計） 171.47s 応答時間（最大） 46.61s 余分な書式: 5 指示に従っていない: 5 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 : 3.2 複合 : 7.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.8 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
#165#165	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
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 56.5% 不安定なテスト 5 入力トークン 202,680 出力トークン 9,230 推論トークン 18,771 応答時間（平均） 6.96s 応答時間（合計） 160.19s 応答時間（最大） 45.74s 不正解: 10 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 : 8.3 コーディング : 5.5 複合 : 2.8 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 : 8.5 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#164#164	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
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 66.7% 不安定なテスト 3 入力トークン 251,164 出力トークン 36,112 推論トークン 241,203 応答時間（平均） 78.76s 応答時間（合計） 1653.96s 応答時間（最大） 437.40s 不正解: 4 API エラー: 2 無効なツール呼び出し: 1 回答なし: 1 タイムアウト: 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 : 4.3 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 : 10.0 指示追従 : 10.0 パズル解決 : 9.9 ツール呼び出し : 3.0 雑学 : 3.0
#163#163	Ember-1high	6.9	Fireworks	$2.405	58.14s
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 8.6 試行ごとの合格率 71.0% 不安定なテスト 8 入力トークン 195,489 出力トークン 12,475 推論トークン 108,748 応答時間（平均） 58.14s 応答時間（合計） 1337.19s 応答時間（最大） 255.06s API エラー: 7 不正解: 2 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 : 8.7 コーディング : 8.2 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 7.1 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#162#162	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
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 59.4% 不安定なテスト 2 入力トークン 228,023 出力トークン 10,779 推論トークン 53,188 応答時間（平均） 6.27s 応答時間（合計） 144.10s 応答時間（最大） 47.78s 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 : 5.0 反AIトリック : 9.1 コーディング : 5.5 複合 : 7.2 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 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#161#161	Muse Glimmer 30Blow	6.9	Meta	$0.266	22.40s
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 63.8% 不安定なテスト 6 入力トークン 307,228 出力トークン 36,044 推論トークン 71,621 応答時間（平均） 22.40s 応答時間（合計） 515.14s 応答時間（最大） 234.92s 不正解: 6 指示に従っていない: 3 無効なツール呼び出し: 2 回答なし: 1 エージェントタスク : 6.1 反AIトリック : 8.7 コーディング : 8.1 複合 : 3.8 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 : 8.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#160#160	Gemini 3 Flash Previewlow	6.9	Google	$0.254	8.51s
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 72.5% 不安定なテスト 2 入力トークン 251,677 出力トークン 11,196 推論トークン 31,204 応答時間（平均） 8.51s 応答時間（合計） 195.76s 応答時間（最大） 52.64s 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 : 5.8 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 : 10.0 指示追従 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#159#159	Grok 4.6low	6.9	X AI	$0.781	16.44s
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 66.7% 不安定なテスト 1 入力トークン 263,427 出力トークン 6,006 推論トークン 36,309 応答時間（平均） 16.44s 応答時間（合計） 378.14s 応答時間（最大） 57.97s 不正解: 8 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 : 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
#158#158	Qwen3.5-122B-A10Bmedium	7.0	Qwen	$1.152 ↓	66.96s
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 71.0% 不安定なテスト 5 入力トークン 251,695 出力トークン 49,415 推論トークン 472,775 応答時間（平均） 66.96s 応答時間（合計） 1539.99s 応答時間（最大） 519.30s 不正解: 5 無効なツール呼び出し: 2 タイムアウト: 2 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 : 6.0 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 : 3.4 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

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