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）
#382#382	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
モデルカードを見る合計テスト数 1 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 73 出力トークン 735 推論トークン 0 応答時間（平均） 13.58s 応答時間（合計） 13.58s 応答時間（最大） 13.58s エージェントタスク : 0.0 反AIトリック : 0.0 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 3.3 汎用知能 : 0.0 指示追従 : 0.0 パズル解決 : 0.0 ツール呼び出し : 0.0 雑学 : 0.0
#381#381	Tev1 4B Experimentalnone	1.0	Togethercomputer	$0.002	498ms
モデルカードを見る合計テスト数 7 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 13.0% 不安定なテスト 0 入力トークン 33,864 出力トークン 96 推論トークン 0 応答時間（平均） 498ms 応答時間（合計） 3.49s 応答時間（最大） 602ms 不正解: 4 エージェントタスク : 0.0 反AIトリック : 2.5 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.0 ドメイン特化 : 6.7 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#380#380	Solar Decidenone	1.0	Upstage	$0.009 ↑	6.01s
モデルカードを見る合計テスト数 7 誤答テスト数 5 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 47,586 出力トークン 51 推論トークン 0 応答時間（平均） 6.01s 応答時間（合計） 42.05s 応答時間（最大） 13.10s 不正解: 5 エージェントタスク : 0.0 反AIトリック : 0.8 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.7 ドメイン特化 : 4.3 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
#379#379	LFM2-24B-A2Bnone	1.8	Liquid	$0.001	782ms
モデルカードを見る合計テスト数 16 誤答テスト数 14 信頼性該当なし試行ごとの合格率 11.6% 不安定なテスト 1 入力トークン 10,771 出力トークン 1,173 推論トークン 0 応答時間（平均） 782ms 応答時間（合計） 10.94s 応答時間（最大） 3.15s 不正解: 9 API エラー: 4 指示に従っていない: 1 エージェントタスク : 0.0 反AIトリック : 2.5 コーディング : 0.0 複合 : 1.5 データ解析と抽出 : 3.0 ドメイン特化 : 5.9 汎用知能 : 4.0 指示追従 : 6.3 パズル解決 : 3.8 ツール呼び出し : 3.0 雑学 : 0.0
#378#378	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
モデルカードを見る合計テスト数 1 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 134,050 出力トークン 1,029 推論トークン 11,528 応答時間（平均） 52.45s 応答時間（合計） 52.45s 応答時間（最大） 52.45s エージェントタスク : 10.0 反AIトリック : 0.0 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 0.0 汎用知能 : 0.0 指示追従 : 0.0 パズル解決 : 0.0 ツール呼び出し : 0.0 雑学 : 0.0
#377#377	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 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 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
#376#376	Kev 4Bnone	2.4	Jaredpalmer	$0.002	5.63s
モデルカードを見る合計テスト数 12 誤答テスト数 9 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 42,804 出力トークン 28,061 推論トークン 0 応答時間（平均） 5.63s 応答時間（合計） 67.61s 応答時間（最大） 17.79s 不正解: 9 エージェントタスク : 0.0 反AIトリック : 2.3 コーディング : 4.5 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 : 1.5 パズル解決 : 2.0 ツール呼び出し : 0.0 雑学 : 0.0
#375#375	Jev 1.13none	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
#374#374	Nemotron 3 Nano Omni 30b A3b Reasoningnone	2.6	NVIDIA	$0.000	728ms
モデルカードを見る合計テスト数 19 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 14.5% 不安定なテスト 2 入力トークン 11,661 出力トークン 1,302 推論トークン 0 応答時間（平均） 728ms 応答時間（合計） 9.47s 応答時間（最大） 2.21s 不正解: 9 API エラー: 6 指示に従っていない: 2 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 : 3.3 複合 : 1.5 データ解析と抽出 : 3.8 ドメイン特化 : 3.6 汎用知能 : 3.0 指示追従 : 4.8 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#373#373	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	2.7	NVIDIA	$0.000	17.13s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 5 入力トークン 11,661 出力トークン 48,491 推論トークン 180,695 応答時間（平均） 17.13s 応答時間（合計） 222.66s 応答時間（最大） 147.45s 不正解: 7 API エラー: 6 指示に従っていない: 1 回答なし: 1 エージェントタスク : 0.0 反AIトリック : 6.4 コーディング : 1.1 複合 : 1.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 7.3 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#372#372	Command A+low	3.0	Cohere	$0.073	92.50s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 1.5% 不安定なテスト 1 入力トークン 114,874 出力トークン 1,992 推論トークン 23,529 応答時間（平均） 92.50s 応答時間（合計） 2127.40s 応答時間（最大） 128.54s API エラー: 22 不正解: 1 エージェントタスク : 2.8 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#371#371	Command A+none	3.0	Cohere	$0.000	77.87s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 0.0 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 0 出力トークン 0 推論トークン 0 応答時間（平均） 77.87s 応答時間（合計） 1791.03s 応答時間（最大） 106.37s API エラー: 23 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 : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#370#370	Laguna Xs.2none	3.1	Poolside	$0.004 ↕	806ms
モデルカードを見る合計テスト数 19 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 21.7% 不安定なテスト 0 入力トークン 33,675 出力トークン 2,826 推論トークン 0 応答時間（平均） 806ms 応答時間（合計） 12.09s 応答時間（最大） 2.01s 不正解: 8 API エラー: 4 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 : 0.0 反AIトリック : 3.0 コーディング : 0.8 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 : 3.0 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#369#369	Grok 4.1 Fastnone	3.1	X AI	$0.008 ↓	1.62s
モデルカードを見る合計テスト数 19 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 18.8% 不安定なテスト 3 入力トークン 36,608 出力トークン 1,723 推論トークン 0 応答時間（平均） 1.62s 応答時間（合計） 19.48s 応答時間（最大） 5.51s 不正解: 13 指示に従っていない: 3 エージェントタスク : 0.0 反AIトリック : 3.2 コーディング : 1.8 複合 : 1.5 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 : 3.0 パズル解決 : 3.0 ツール呼び出し : 2.8 雑学 : 3.0
#368#368	Command A+high	3.2	Cohere	$0.079	89.96s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 117,966 出力トークン 5,149 推論トークン 23,514 応答時間（平均） 89.96s 応答時間（合計） 2069.01s 応答時間（最大） 156.00s API エラー: 22 不正解: 1 エージェントタスク : 3.9 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#367#367	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
モデルカードを見る合計テスト数 19 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 11,793 出力トークン 267,275 推論トークン 0 応答時間（平均） 28.69s 応答時間（合計） 459.00s 応答時間（最大） 138.35s 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 : 0.0 反AIトリック : 8.7 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 3.8 ドメイン特化 : 3.6 汎用知能 : 4.3 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
#366#366	MiMo-V2-Flashnone	3.3	Xiaomi	$0.025 ↑	2.76s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 6.7 試行ごとの合格率 23.2% 不安定なテスト 4 入力トークン 36,851 出力トークン 68,882 推論トークン 0 応答時間（平均） 2.76s 応答時間（合計） 46.99s 応答時間（最大） 19.68s 不正解: 13 指示に従っていない: 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 : 3.2 コーディング : 4.3 複合 : 1.5 データ解析と抽出 : 2.9 ドメイン特化 : 5.3 汎用知能 : 4.6 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
#365#365	Hy3 previewnone	3.3	Tencent	$0.007 ↕	12.92s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 21.7% 不安定なテスト 2 入力トークン 27,172 出力トークン 2,661 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 232.64s 応答時間（最大） 35.84s 不正解: 8 API エラー: 4 指示に従っていない: 4 余分な書式: 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 : 2.7 複合 : 1.5 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 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#364#364	Laguna Xs.2medium	3.3	Poolside	$0.015 ↕	6.73s
モデルカードを見る合計テスト数 19 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 6 入力トークン 39,481 出力トークン 54,218 推論トークン 0 応答時間（平均） 6.73s 応答時間（合計） 100.98s 応答時間（最大） 29.11s 不正解: 6 API エラー: 4 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 : 0.0 反AIトリック : 6.9 コーディング : 2.1 複合 : 1.5 データ解析と抽出 : 7.1 ドメイン特化 : 4.1 汎用知能 : 3.0 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 4.7 雑学 : 3.0
#363#363	Command A+medium	3.4	Cohere	$0.064	91.72s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 118,771 出力トークン 4,127 推論トークン 14,668 応答時間（平均） 91.72s 応答時間（合計） 2109.54s 応答時間（最大） 112.76s API エラー: 22 不正解: 1 エージェントタスク : 5.0 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#362#362	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 26.1% 不安定なテスト 0 入力トークン 41,313 出力トークン 1,923 推論トークン 0 応答時間（平均） 1.11s 応答時間（合計） 19.96s 応答時間（最大） 6.04s 不正解: 10 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 : 0.0 反AIトリック : 4.8 コーディング : 1.1 複合 : 1.5 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 : 5.3 ツール呼び出し : 10.0 雑学 : 0.0
#361#361	Hunter Alphanone	3.5	OpenRouter	$0.000	4.70s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 36.2% 不安定なテスト 4 入力トークン 34,329 出力トークン 2,264 推論トークン 0 応答時間（平均） 4.70s 応答時間（合計） 79.86s 応答時間（最大） 15.17s 不正解: 9 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 : 3.5 コーディング : 1.0 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 : 6.1 指示追従 : 6.4 パズル解決 : 5.8 ツール呼び出し : 10.0 雑学 : 0.0
#360#360	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性該当なし試行ごとの合格率 27.5% 不安定なテスト 1 入力トークン 33,744 出力トークン 2,596 推論トークン 0 応答時間（平均） 1.27s 応答時間（合計） 22.82s 応答時間（最大） 3.70s 不正解: 9 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 : 0.0 反AIトリック : 6.6 コーディング : 3.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#359#359	Elephant Alphanone	3.6	Openrouter	$0.000	1.22s
モデルカードを見る合計テスト数 21 誤答テスト数 16 信頼性該当なし試行ごとの合格率 24.6% 不安定なテスト 1 入力トークン 33,743 出力トークン 2,573 推論トークン 0 応答時間（平均） 1.22s 応答時間（合計） 22.03s 応答時間（最大） 3.81s 不正解: 9 API エラー: 3 指示に従っていない: 3 無効なツール呼び出し: 1 エージェントタスク : 0.0 反AIトリック : 6.6 コーディング : 4.2 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 9.8 パズル解決 : 4.2 ツール呼び出し : 3.0 雑学 : 3.0
#358#358	Laguna M.1none	3.6	Poolside	$0.009 ↕	2.89s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 9.8 試行ごとの合格率 26.1% 不安定なテスト 3 入力トークン 38,147 出力トークン 2,054 推論トークン 0 応答時間（平均） 2.89s 応答時間（合計） 43.28s 応答時間（最大） 15.42s 不正解: 10 API エラー: 4 無効なツール呼び出し: 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 : 2.5 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.0 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

1 2 16

→

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