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）
#96#96	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
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 9.6 試行ごとの合格率 71.0% 不安定なテスト 3 入力トークン 369,495 出力トークン 172,852 推論トークン 476,002 応答時間（平均） 88.74s 応答時間（合計） 2041.10s 応答時間（最大） 567.88s 回答なし: 4 不正解: 3 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 : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.3 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 2.8 雑学 : 3.0
#123#123	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
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 9.8 試行ごとの合格率 69.6% 不安定なテスト 2 入力トークン 324,691 出力トークン 181,251 推論トークン 506,441 応答時間（平均） 87.39s 応答時間（合計） 2010.08s 応答時間（最大） 665.85s 回答なし: 4 不正解: 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 : 10.0 コーディング : 8.2 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 2.8 雑学 : 3.0
#143#143	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
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 302,228 出力トークン 181,271 推論トークン 0 応答時間（平均） 29.38s 応答時間（合計） 675.79s 応答時間（最大） 234.56s 不正解: 10 エージェントタスク : 10.0 反AIトリック : 6.4 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 : 7.7 汎用知能 : 4.2 指示追従 : 6.2 パズル解決 : 8.3 ツール呼び出し : 10.0 雑学 : 3.0
#201#201	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
#212#212	Apodex 1.1 Minihigh	6.7	Apodex	$0.000	31.25s
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 9 入力トークン 365,069 出力トークン 133,336 推論トークン 344,133 応答時間（平均） 31.25s 応答時間（合計） 718.67s 応答時間（最大） 114.61s 不正解: 9 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 : 5.5 複合 : 4.2 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 : 8.0 パズル解決 : 8.0 ツール呼び出し : 10.0 雑学 : 3.0
#242#242	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	70.48s
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 59.4% 不安定なテスト 7 入力トークン 255,887 出力トークン 154,879 推論トークン 603,518 応答時間（平均） 70.48s 応答時間（合計） 1620.93s 応答時間（最大） 480.52s 不正解: 9 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 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 : 5.8 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 3.4 指示追従 : 8.3 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#243#243	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	66.13s
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 58.0% 不安定なテスト 6 入力トークン 260,850 出力トークン 125,908 推論トークン 516,424 応答時間（平均） 66.13s 応答時間（合計） 1520.96s 応答時間（最大） 417.36s 不正解: 8 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 : 6.1 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 7.9 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
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 66.7% 不安定なテスト 6 入力トークン 271,890 出力トークン 190,841 推論トークン 513,329 応答時間（平均） 85.22s 応答時間（合計） 1960.12s 応答時間（最大） 432.81s 回答なし: 4 指示に従っていない: 3 不正解: 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 : 10.0 コーディング : 5.6 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 9.8 パズル解決 : 8.9 ツール呼び出し : 4.7 雑学 : 3.0
#254#254	Space Bunny Alphamedium	6.3	Stealth	$0.000	32.88s
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 55.1% 不安定なテスト 5 入力トークン 267,840 出力トークン 192,115 推論トークン 0 応答時間（平均） 32.88s 応答時間（合計） 756.28s 応答時間（最大） 197.32s 不正解: 11 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 : 5.2 コーディング : 5.4 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 : 4.4 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
#259#259	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
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 55.1% 不安定なテスト 8 入力トークン 363,310 出力トークン 381,919 推論トークン 0 応答時間（平均） 60.03s 応答時間（合計） 1380.67s 応答時間（最大） 459.99s 不正解: 9 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 : 5.2 反AIトリック : 6.4 コーディング : 6.6 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 5.0 指示追従 : 5.6 パズル解決 : 7.9 ツール呼び出し : 10.0 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
#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
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
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 58.0% 不安定なテスト 9 入力トークン 208,598 出力トークン 120,583 推論トークン 590,044 応答時間（平均） 70.32s 応答時間（合計） 1617.43s 応答時間（最大） 459.19s 不正解: 10 指示に従っていない: 2 回答なし: 2 余分な書式: 1 エージェントタスク : 4.7 反AIトリック : 8.7 コーディング : 4.2 複合 : 9.9 データ解析と抽出 : 4.5 ドメイン特化 : 3.6 汎用知能 : 3.8 指示追従 : 8.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#299#299	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
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 53.6% 不安定なテスト 10 入力トークン 289,086 出力トークン 194,450 推論トークン 0 応答時間（平均） 30.63s 応答時間（合計） 704.47s 応答時間（最大） 340.88s 不正解: 13 指示に従っていない: 2 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 : 5.6 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 : 4.4 指示追従 : 4.4 パズル解決 : 7.9 ツール呼び出し : 4.7 雑学 : 3.0
#308#308	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
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 9.8 試行ごとの合格率 33.3% 不安定なテスト 5 入力トークン 286,758 出力トークン 85,777 推論トークン 0 応答時間（平均） 15.75s 応答時間（合計） 362.23s 応答時間（最大） 90.95s 不正解: 9 指示に従っていない: 5 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 : 6.1 反AIトリック : 3.6 コーディング : 4.5 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 : 8.0 パズル解決 : 7.7 ツール呼び出し : 4.7 雑学 : 3.0
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
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 8.9 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 166,347 出力トークン 423,884 推論トークン 1,394,387 応答時間（平均） 140.39s 応答時間（合計） 3229.07s 応答時間（最大） 786.72s 不正解: 10 余分な書式: 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 : 3.9 反AIトリック : 8.4 コーディング : 4.5 複合 : 2.9 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 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 29.0% 不安定なテスト 8 入力トークン 465,127 出力トークン 72,309 推論トークン 0 応答時間（平均） 7.79s 応答時間（合計） 179.09s 応答時間（最大） 121.52s 不正解: 16 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 : 5.2 反AIトリック : 3.4 コーディング : 3.8 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 : 5.4 指示追従 : 4.9 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#343#343	Dots 3 Note Previewdefault	5.0	Dots Studio	$0.000	5.36s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 225,907 出力トークン 22,507 推論トークン 0 応答時間（平均） 5.36s 応答時間（合計） 123.38s 応答時間（最大） 45.71s 不正解: 16 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 : 3.9 反AIトリック : 3.1 コーディング : 4.6 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 : 5.0 指示追従 : 4.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 8.9 試行ごとの合格率 17.4% 不安定なテスト 0 入力トークン 177,989 出力トークン 26,954 推論トークン 0 応答時間（平均） 29.47s 応答時間（合計） 677.70s 応答時間（最大） 159.85s 不正解: 13 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: 2 エージェントタスク : 3.0 反AIトリック : 3.0 コーディング : 3.9 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 6.5 パズル解決 : 3.5 ツール呼び出し : 9.5 雑学 : 3.0
#370#370	Owl Alphamedium	4.6	Openrouter	$0.000	11.95s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 36.2% 不安定なテスト 1 入力トークン 43,478 出力トークン 2,974 推論トークン 0 応答時間（平均） 11.95s 応答時間（合計） 250.88s 応答時間（最大） 58.63s 不正解: 10 指示に従っていない: 2 API エラー: 1 エージェントタスク : 0.0 反AIトリック : 4.8 コーディング : 5.4 複合 : 1.5 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#372#372	Owl Alphadefault	4.6	Openrouter	$0.000	9.88s
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 33.3% 不安定なテスト 1 入力トークン 42,283 出力トークン 5,913 推論トークン 0 応答時間（平均） 9.88s 応答時間（合計） 207.38s 応答時間（最大） 47.10s 不正解: 10 指示に従っていない: 3 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 3.4 コーディング : 5.6 複合 : 1.5 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 : 6.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
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 10.0 試行ごとの合格率 43.5% 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） 38.01s 応答時間（合計） 798.15s 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: 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 : 8.7 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
#389#389	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性該当なし試行ごとの合格率 39.1% 不安定なテスト 0 入力トークン 32,639 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s API エラー: 8 不正解: 2 エージェントタスク : 0.0 反AIトリック : 8.3 コーディング : 1.0 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 : 3.0 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#392#392	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 50.7% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 7.3 コーディング : 1.0 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#395#395	Ling 3.0 Tinydefault	3.8	Inclusionai	$0.000	13.39s
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 9.8 試行ごとの合格率 8.7% 不安定なテスト 0 入力トークン 184,579 出力トークン 110,071 推論トークン 0 応答時間（平均） 13.39s 応答時間（合計） 294.48s 応答時間（最大） 240.61s 不正解: 13 指示に従っていない: 4 API エラー: 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 : 3.0 反AIトリック : 4.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 3.1 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0

1 2 18

→

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