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: 2026-10-17 評価済みモデル数: 442

442/442

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#258#258	Grok 4.20medium	6.3	X AI	$1.246 ↓	36.73s
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 5 入力トークン 392,127 出力トークン 7,754 推論トークン 294,333 応答時間（平均） 36.73s 応答時間（合計） 844.68s 応答時間（最大） 199.66s 不正解: 7 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 エージェントタスク : 3.0 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
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 62.3% 不安定なテスト 8 入力トークン 87,916 出力トークン 7,213 推論トークン 132,162 応答時間（平均） 23.94s 応答時間（合計） 550.52s 応答時間（最大） 257.00s 不正解: 9 API エラー: 2 指示に従っていない: 1 エージェントタスク : 3.0 反AIトリック : 8.2 コーディング : 7.8 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 : 4.7 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#264#264	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
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 55.1% 不安定なテスト 3 入力トークン 209,116 出力トークン 10,031 推論トークン 16,042 応答時間（平均） 11.40s 応答時間（合計） 262.14s 応答時間（最大） 34.77s 余分な書式: 4 不正解: 4 指示に従っていない: 3 API エラー: 1 エージェントタスク : 2.8 反AIトリック : 6.5 コーディング : 3.4 複合 : 10.0 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 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
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 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 232,218 出力トークン 4,944 推論トークン 142,263 応答時間（平均） 9.03s 応答時間（合計） 207.67s 応答時間（最大） 36.04s 不正解: 7 API エラー: 3 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 : 8.8 コーディング : 8.4 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#268#268	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
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 321,894 出力トークン 139,334 推論トークン 369,481 応答時間（平均） 33.68s 応答時間（合計） 774.73s 応答時間（最大） 163.05s 不正解: 9 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 : 8.7 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 : 3.6 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
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
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 68.1% 不安定なテスト 8 入力トークン 98,508 出力トークン 8,088 推論トークン 131,484 応答時間（平均） 24.96s 応答時間（合計） 574.12s 応答時間（最大） 335.41s 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 : 8.7 コーディング : 6.1 複合 : 4.1 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.8 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
#274#274	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
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 9.9 試行ごとの合格率 68.1% 不安定なテスト 9 入力トークン 293,112 出力トークン 152,376 推論トークン 357,890 応答時間（平均） 32.68s 応答時間（合計） 751.72s 応答時間（最大） 115.57s 不正解: 9 指示に従っていない: 2 回答なし: 1 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 : 4.3 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 5.1 指示追従 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
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 9 入力トークン 277,028 出力トークン 11,965 推論トークン 31,238 応答時間（平均） 9.69s 応答時間（合計） 222.83s 応答時間（最大） 77.99s 不正解: 10 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 : 4.7 反AIトリック : 8.2 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 : 3.5 汎用知能 : 4.7 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
#291#291	Ring 2.6 1tmedium	5.7	Inclusionai	$0.102 ↑	65.52s
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 3 入力トークン 113,613 出力トークン 122,706 推論トークン 42,325 応答時間（平均） 65.52s 応答時間（合計） 1376.01s 応答時間（最大） 304.19s 不正解: 6 API エラー: 3 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 : 3.0 反AIトリック : 10.0 コーディング : 5.3 複合 : 7.3 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 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
#325#325	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
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 9.9 試行ごとの合格率 53.6% 不安定なテスト 2 入力トークン 106,348 出力トークン 19,257 推論トークン 0 応答時間（平均） 7.82s 応答時間（合計） 172.04s 応答時間（最大） 102.62s 不正解: 11 エージェントタスク : 0.0 反AIトリック : 5.2 コーディング : 3.8 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 : 4.3 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
#419#419	Span-02default	2.8	Respan	$0.001	1.36s
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 26.1% 不安定なテスト 0 入力トークン 70,626 出力トークン 0 推論トークン 0 応答時間（平均） 1.36s 応答時間（合計） 16.37s 応答時間（最大） 5.71s 不正解: 6 エージェントタスク : 0.0 反AIトリック : 5.8 コーディング : 4.9 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 5.0 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#423#423	Jev 1.13default	2.6	Typesafe	$0.003	698ms
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 26.1% 不安定なテスト 0 入力トークン 67,092 出力トークン 18,927 推論トークン 0 応答時間（平均） 698ms 応答時間（合計） 8.38s 応答時間（最大） 1.08s 不正解: 6 エージェントタスク : 0.0 反AIトリック : 4.0 コーディング : 2.2 複合 : 0.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 3.3 ツール呼び出し : 0.0 雑学 : 0.0
#433#433	Step 3.5 Flashnone	1.9	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 26.1% 不安定なテスト 0 入力トークン 1,971 出力トークン 50,509 推論トークン 33,867 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 エージェントタスク : 0.0 反AIトリック : 10.0 コーディング : 1.0 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
#121#121	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
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 291,988 出力トークン 8,848 推論トークン 622,995 応答時間（平均） 61.90s 応答時間（合計） 1423.67s 応答時間（最大） 357.28s 不正解: 6 回答なし: 2 余分な書式: 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 : 5.9 コーディング : 7.2 複合 : 7.1 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 : 9.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#130#130	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
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 72.5% 不安定なテスト 8 入力トークン 274,189 出力トークン 66,689 推論トークン 510,525 応答時間（平均） 94.16s 応答時間（合計） 2165.72s 応答時間（最大） 303.26s 不正解: 5 回答なし: 3 余分な書式: 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 : 10.0 反AIトリック : 8.2 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 : 6.1 指示追従 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不安定なテスト 6 入力トークン 318,058 出力トークン 16,035 推論トークン 315,072 応答時間（平均） 41.03s 応答時間（合計） 943.75s 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 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 : 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
#138#138	Muse Glimmer 30Bmedium	7.7	Meta	$0.288 ↓	33.97s
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 65.2% 不安定なテスト 6 入力トークン 269,497 出力トークン 34,935 推論トークン 145,752 応答時間（平均） 33.97s 応答時間（合計） 781.36s 応答時間（最大） 181.08s 不正解: 9 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 9.2 コーディング : 8.4 複合 : 6.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#141#141	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
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 4 入力トークン 195,928 出力トークン 5,728 推論トークン 19,152 応答時間（平均） 23.23s 応答時間（合計） 534.22s 応答時間（最大） 89.37s 不正解: 7 API エラー: 2 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.9 コーディング : 6.0 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 : 4.4 指示追従 : 7.1 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
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 9.4 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 313,368 出力トークン 12,289 推論トークン 259,270 応答時間（平均） 91.67s 応答時間（合計） 1833.43s 応答時間（最大） 301.78s 不正解: 5 タイムアウト: 4 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.6 コーディング : 5.5 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.1 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
#146#146	Mistral Large 4high	7.5	Mistral	$1.391	263.69s
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 9.0 試行ごとの合格率 65.2% 不安定なテスト 6 入力トークン 230,895 出力トークン 161,281 推論トークン 510,655 応答時間（平均） 263.69s 応答時間（合計） 6064.89s 応答時間（最大） 1727.29s 不正解: 6 指示に従っていない: 2 回答なし: 2 タイムアウト: 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 : 3.3 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 : 10.0 指示追従 : 8.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#147#147	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
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 9.0 試行ごとの合格率 65.2% 不安定なテスト 5 入力トークン 297,321 出力トークン 8,997 推論トークン 423,853 応答時間（平均） 124.87s 応答時間（合計） 2871.96s 応答時間（最大） 675.30s 不正解: 6 API エラー: 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 : 10.0 反AIトリック : 8.3 コーディング : 6.2 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 : 4.6 指示追従 : 9.8 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
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 59.4% 不安定なテスト 3 入力トークン 287,669 出力トークン 47,204 推論トークン 375,030 応答時間（平均） 144.88s 応答時間（合計） 3332.19s 応答時間（最大） 939.52s 不正解: 8 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 : 10.0 コーディング : 10.0 複合 : 7.3 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 6.5 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#175#175	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
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 55.1% 不安定なテスト 1 入力トークン 396,120 出力トークン 31,386 推論トークン 0 応答時間（平均） 10.78s 応答時間（合計） 247.96s 応答時間（最大） 79.61s 不正解: 7 余分な書式: 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 : 5.4 反AIトリック : 5.5 コーディング : 5.9 複合 : 8.3 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#177#177	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
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 69.6% 不安定なテスト 8 入力トークン 205,100 出力トークン 8,639 推論トークン 21,409 応答時間（平均） 7.37s 応答時間（合計） 169.54s 応答時間（最大） 74.39s 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 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 7.3 コーディング : 6.0 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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
#178#178	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
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 256,428 出力トークン 9,786 推論トークン 575,630 応答時間（平均） 54.57s 応答時間（合計） 1255.15s 応答時間（最大） 345.18s 不正解: 5 指示に従っていない: 2 回答なし: 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 : 4.7 反AIトリック : 8.2 コーディング : 8.4 複合 : 6.6 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 : 8.0 パズル解決 : 8.2 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