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: 2026-09-04 評価済みモデル数: 316

316/316

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#268#268	GPT-4o-mininone	5.0	OpenAI	$0.010	1.92s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 22.7% 不安定なテスト 0 入力トークン 53,145 出力トークン 2,913 推論トークン 0 応答時間（平均） 1.92s 応答時間（合計） 30.71s 応答時間（最大） 7.58s 不正解: 15 指示に従っていない: 1 回答なし: 1 反AIトリック : 4.8 コーディング : 3.2 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 : 4.0 指示追従 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#270#270	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 30.3% 不安定なテスト 5 入力トークン 130,296 出力トークン 82,585 推論トークン 0 応答時間（平均） 3.51s 応答時間（合計） 77.28s 応答時間（最大） 60.70s 不正解: 16 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 3.8 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#274#274	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 7,608 出力トークン 40,277 推論トークン 0 応答時間（平均） 51.99s 応答時間（合計） 831.90s 応答時間（最大） 143.82s API エラー: 6 不正解: 5 指示に従っていない: 2 反AIトリック : 9.2 コーディング : 5.3 複合 : 3.0 データ解析と抽出 : 3.0 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 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#276#276	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 4 入力トークン 115,933 出力トークン 13,794 推論トークン 0 応答時間（平均） 2.56s 応答時間（合計） 56.37s 応答時間（最大） 25.50s 不正解: 15 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.5 コーディング : 4.6 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#277#277	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 39.4% 不安定なテスト 8 入力トークン 101,776 出力トークン 276,367 推論トークン 656,252 応答時間（平均） 75.86s 応答時間（合計） 1668.93s 応答時間（最大） 510.21s 不正解: 10 指示に従っていない: 4 無効なツール呼び出し: 2 回答なし: 1 反AIトリック : 6.7 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 4.7 ツール呼び出し : 10.0 雑学 : 3.0
#279#279	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 7 入力トークン 69,376 出力トークン 97,752 推論トークン 0 応答時間（平均） 12.46s 応答時間（合計） 274.11s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 1 反AIトリック : 5.3 コーディング : 3.3 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#280#280	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 30.3% 不安定なテスト 3 入力トークン 101,513 出力トークン 22,992 推論トークン 0 応答時間（平均） 8.81s 応答時間（合計） 140.88s 応答時間（最大） 97.15s 不正解: 14 無効なツール呼び出し: 2 指示に従っていない: 1 反AIトリック : 5.2 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 6.5 パズル解決 : 6.4 ツール呼び出し : 2.8 雑学 : 3.0
#281#281	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
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 21.2% 不安定なテスト 2 入力トークン 29,828 出力トークン 2,169 推論トークン 0 応答時間（平均） 2.98s 応答時間（合計） 56.57s 応答時間（最大） 14.34s 不正解: 12 指示に従っていない: 3 API エラー: 2 反AIトリック : 3.1 コーディング : 3.7 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 : 4.5 指示追従 : 3.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#283#283	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
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 10.0 試行ごとの合格率 53.0% 不安定なテスト 6 入力トークン 42,845 出力トークン 2,006 推論トークン 96,334 応答時間（平均） 23.85s 応答時間（合計） 286.16s 応答時間（最大） 121.79s 指示に従っていない: 4 不正解: 4 回答なし: 1 タイムアウト: 1 反AIトリック : 8.7 コーディング : 7.8 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#284#284	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
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 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 4 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.5 コーディング : 1.5 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 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#285#285	Cobuddymedium	4.7	Baidu	$0.000	39.90s
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 45.5% 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） 39.90s 応答時間（合計） 797.98s 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: 1 無効なツール呼び出し: 1 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
#286#286	Mercury 2none	4.7	Inception	$0.030	825ms
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.2% 不安定なテスト 2 入力トークン 89,637 出力トークン 9,584 推論トークン 0 応答時間（平均） 825ms 応答時間（合計） 18.14s 応答時間（最大） 4.52s 不正解: 17 指示に従っていない: 1 反AIトリック : 3.0 コーディング : 3.4 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.9 汎用知能 : 4.8 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#288#288	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 25.8% 不安定なテスト 4 入力トークン 148,203 出力トークン 19,069 推論トークン 0 応答時間（平均） 9.07s 応答時間（合計） 154.19s 応答時間（最大） 81.80s 不正解: 14 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 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
#289#289	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 9 入力トークン 142,621 出力トークン 20,409 推論トークン 251,820 応答時間（平均） 69.08s 応答時間（合計） 1036.24s 応答時間（最大） 251.36s 不正解: 7 タイムアウト: 4 指示に従っていない: 3 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 7.9 コーディング : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#290#290	Laguna S 2.1none	4.5	Poolside	$0.022 ↓	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 15.2% 不安定なテスト 3 入力トークン 125,604 出力トークン 57,634 推論トークン 0 応答時間（平均） 11.67s 応答時間（合計） 256.71s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 1 回答なし: 1 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
#299#299	Laguna Xs.2medium	4.1	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 43.9% 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 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
#300#300	Hy3 previewnone	4.0	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 22.7% 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 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
#303#303	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 9.1% 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） 1.44s 応答時間（合計） 31.75s 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 余分な書式: 1 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
#304#304	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.007 ↕	1.21s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 16.7% 不安定なテスト 2 入力トークン 74,074 出力トークン 2,731 推論トークン 0 応答時間（平均） 1.21s 応答時間（合計） 26.62s 応答時間（最大） 6.30s 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 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
#305#305	Grok Build 0.1none	4.0	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 43.9% 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 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
#306#306	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.2% 不安定なテスト 3 入力トークン 115,314 出力トークン 133,965 推論トークン 816,718 応答時間（平均） 75.68s 応答時間（合計） 1589.20s 応答時間（最大） 345.15s 回答なし: 7 不正解: 6 指示に従っていない: 3 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 6.4 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 2.9 汎用知能 : 5.4 指示追従 : 6.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#308#308	Grok 4.1 Fastnone	3.8	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 19.7% 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 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
#311#311	Laguna Xs.2none	3.8	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 22.7% 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 反AIトリック : 3.0 コーディング : 8.3 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
#312#312	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
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 33.3% 不安定なテスト 2 入力トークン 9,081 出力トークン 51,664 推論トークン 0 応答時間（平均） 21.61s 応答時間（合計） 345.79s 応答時間（最大） 113.71s 不正解: 8 API エラー: 3 指示に従っていない: 2 反AIトリック : 6.5 コーディング : 1.5 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 : 4.8 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 3.0 雑学 : 3.0
#313#313	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	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 27.3% 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 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

←

1 9 10 11 13

→

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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium