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）
#408#408	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
#412#412	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
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 8.8 試行ごとの合格率 7.3% 不安定なテスト 4 入力トークン 153,665 出力トークン 26,540 推論トークン 0 応答時間（平均） 42.72s 応答時間（合計） 982.66s 応答時間（最大） 634.11s 不正解: 13 指示に従っていない: 5 API エラー: 3 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 : 3.0 反AIトリック : 3.3 コーディング : 3.6 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 4.0 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#414#414	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
#417#417	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
#418#418	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
#398#398	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
モデルカードを見る合計テスト数 23 誤答テスト数 22 信頼性 7.3 試行ごとの合格率 26.1% 不安定なテスト 11 入力トークン 98,467 出力トークン 3,385 推論トークン 104,595 応答時間（平均） 371.69s 応答時間（合計） 8548.88s 応答時間（最大） 971.85s 不正解: 9 タイムアウト: 6 API エラー: 4 指示に従っていない: 3 エージェントタスク : 3.0 反AIトリック : 3.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.2 指示追従 : 4.3 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#438#438	Microsoft-Decision-1default	1.4	Microsoft	$0.002	982ms
モデルカードを見る合計テスト数 12 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 7.3% 不安定なテスト 1 入力トークン 41,466 出力トークン 69 推論トークン 0 応答時間（平均） 982ms 応答時間（合計） 11.78s 応答時間（最大） 1.41s 不正解: 11 エージェントタスク : 0.0 反AIトリック : 4.4 コーディング : 2.2 複合 : 0.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 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
#361#361	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
#388#388	Mercury 2.5none	4.1	Inception	$0.026	5.10s
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 24.6% 不安定なテスト 7 入力トークン 311,488 出力トークン 89,958 推論トークン 0 応答時間（平均） 5.10s 応答時間（合計） 117.24s 応答時間（最大） 63.41s 不正解: 15 指示に従っていない: 4 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 : 5.0 反AIトリック : 3.8 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 4.9 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#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
#396#396	Granite 4.1 8bdefault	3.8	IBM Granite	$0.007	1.38s
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 8.7% 不安定なテスト 0 入力トークン 113,836 出力トークン 5,996 推論トークン 0 応答時間（平均） 1.38s 応答時間（合計） 31.81s 応答時間（最大） 16.67s 不正解: 13 指示に従っていない: 4 無効なツール呼び出し: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 3.0 反AIトリック : 4.9 コーディング : 4.5 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 : 4.0 指示追従 : 3.6 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#422#422	Nemotron 3 Nano Omni 30b A3b Reasoningdefault	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
#436#436	LFM2-24B-A2Bdefault	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
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
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 6.5 試行ごとの合格率 21.7% 不安定なテスト 4 入力トークン 162,180 出力トークン 5,030 推論トークン 682,447 応答時間（平均） 207.21s 応答時間（合計） 4765.91s 応答時間（最大） 597.45s 不正解: 13 API エラー: 5 指示に従っていない: 1 回答なし: 1 エージェントタスク : 4.7 反AIトリック : 6.0 コーディング : 5.2 複合 : 2.9 データ解析と抽出 : 8.7 ドメイン特化 : 4.5 汎用知能 : 7.5 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
#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
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
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 6.2 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 185,167 出力トークン 9,430 推論トークン 0 応答時間（平均） 40.38s 応答時間（合計） 928.76s 応答時間（最大） 95.32s 不正解: 14 API エラー: 2 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 : 5.0 反AIトリック : 3.3 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 8.7 ドメイン特化 : 6.8 汎用知能 : 5.1 指示追従 : 7.0 パズル解決 : 4.6 ツール呼び出し : 3.0 雑学 : 3.0
#363#363	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
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 24.6% 不安定なテスト 4 入力トークン 311,647 出力トークン 40,395 推論トークン 0 応答時間（平均） 16.97s 応答時間（合計） 305.55s 応答時間（最大） 151.35s 不正解: 15 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 エージェントタスク : 5.0 反AIトリック : 3.5 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 6.3 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
#368#368	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
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 23.2% 不安定なテスト 6 入力トークン 232,641 出力トークン 69,335 推論トークン 426,182 応答時間（平均） 88.24s 応答時間（合計） 2029.57s 応答時間（最大） 814.73s 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 : 2.8 反AIトリック : 3.4 コーディング : 3.8 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 : 4.8 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
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 9.1 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 226,872 出力トークン 133,268 推論トークン 0 応答時間（平均） 84.66s 応答時間（合計） 1947.17s 応答時間（最大） 747.17s 不正解: 11 余分な書式: 4 タイムアウト: 3 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 : 4.9 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#390#390	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
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 8.7 試行ごとの合格率 26.1% 不安定なテスト 6 入力トークン 387,323 出力トークン 48,562 推論トークン 410,431 応答時間（平均） 110.18s 応答時間（合計） 1873.00s 応答時間（最大） 569.97s タイムアウト: 11 回答なし: 3 不正解: 2 API エラー: 1 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 : 5.2 反AIトリック : 5.1 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 2.8 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#397#397	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	15.92s
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 9.8 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 97,418 出力トークン 4,779 推論トークン 0 応答時間（平均） 15.92s 応答時間（合計） 366.20s 応答時間（最大） 339.57s 不正解: 16 無効なツール呼び出し: 2 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 : 3.0 反AIトリック : 4.8 コーディング : 3.1 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 2.8 雑学 : 3.0
#441#441	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
モデルカードを見る合計テスト数 7 誤答テスト数 6 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 103,770 出力トークン 0 推論トークン 0 応答時間（平均） 363ms 応答時間（合計） 2.54s 応答時間（最大） 1.24s 不正解: 5 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 : 0.0 データ解析と抽出 : 3.0 ドメイン特化 : 2.0 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
#415#415	Grok 4.1 Fastdefault	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
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
モデルカードを見る合計テスト数 12 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 8.7% 不安定なテスト 0 入力トークン 70,125 出力トークン 0 推論トークン 0 応答時間（平均） 880ms 応答時間（合計） 10.56s 応答時間（最大） 1.31s 不正解: 9 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 : 4.0 コーディング : 2.5 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 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

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