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: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#89#89	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 57.6% 不安定なテスト 1 入力トークン 185,547 出力トークン 24,866 推論トークン 0 応答時間（平均） 7.65s 応答時間（合計） 168.35s 応答時間（最大） 47.72s 不正解: 6 余分な書式: 2 無効なツール呼び出し: 1 回答なし: 1 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
#35#35	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 145,249 出力トークン 24,948 推論トークン 5,042 応答時間（平均） 7.62s 応答時間（合計） 159.94s 応答時間（最大） 65.40s 不正解: 3 タイムアウト: 1 反AIトリック : 8.3 コーディング : 7.6 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 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
#223#223	Gemma 4 26B A4Bnone	5.6	Google	$0.015 ↓	7.58s
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 43.9% 不安定なテスト 1 入力トークン 131,257 出力トークン 15,781 推論トークン 0 応答時間（平均） 7.58s 応答時間（合計） 166.82s 応答時間（最大） 57.10s 不正解: 9 指示に従っていない: 2 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 8.3 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 6.3 パズル解決 : 6.2 ツール呼び出し : 10.0 雑学 : 3.0
#103#103	GPT-5.6 Lunamedium	7.4	OpenAI	$0.072 ↓	7.43s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 62.1% 不安定なテスト 2 入力トークン 89,685 出力トークン 5,701 推論トークン 38,824 応答時間（平均） 7.43s 応答時間（合計） 163.54s 応答時間（最大） 29.85s 不正解: 9 反AIトリック : 8.3 コーディング : 5.4 複合 : 10.0 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 : 9.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#32#32	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 134,770 出力トークン 13,604 推論トークン 4,388 応答時間（平均） 6.99s 応答時間（合計） 153.80s 応答時間（最大） 30.67s 不正解: 4 反AIトリック : 10.0 コーディング : 7.8 複合 : 10.0 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#74#74	GPT-5.6 Terramedium	7.8	OpenAI	$0.523 ↓	6.85s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 2 入力トークン 79,184 出力トークン 4,878 推論トークン 25,471 応答時間（平均） 6.85s 応答時間（合計） 150.65s 応答時間（最大） 41.68s 不正解: 8 反AIトリック : 8.3 コーディング : 6.1 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.5 指示追従 : 10.0 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 3.0
#208#208	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 3 入力トークン 129,150 出力トークン 10,643 推論トークン 0 応答時間（平均） 6.84s 応答時間（合計） 150.46s 応答時間（最大） 55.92s 不正解: 11 回答なし: 1 反AIトリック : 4.8 コーディング : 4.5 複合 : 3.8 データ解析と抽出 : 7.1 ドメイン特化 : 7.7 汎用知能 : 5.0 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
#216#216	GLM 5.1none	5.7	Z.ai	$0.164 ↓	6.74s
モデルカードを見る合計テスト数 22 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 5 入力トークン 124,219 出力トークン 14,393 推論トークン 0 応答時間（平均） 6.74s 応答時間（合計） 148.20s 応答時間（最大） 61.20s 不正解: 12 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#294#294	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
#93#93	GPT 5.3 Chatnone	7.5	OpenAI	$0.533	6.56s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 4 入力トークン 78,846 出力トークン 28,179 推論トークン 0 応答時間（平均） 6.56s 応答時間（合計） 137.77s 応答時間（最大） 18.33s 不正解: 6 指示に従っていない: 2 API エラー: 1 反AIトリック : 6.7 コーディング : 5.6 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.6 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
#107#107	Gemini 3 Flash Previewlow	7.4	Google	$0.185	6.51s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.8% 不安定なテスト 2 入力トークン 123,687 出力トークン 9,572 推論トークン 31,204 応答時間（平均） 6.51s 応答時間（合計） 143.12s 応答時間（最大） 17.13s 不正解: 6 反AIトリック : 10.0 コーディング : 5.8 複合 : 3.0 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#160#160	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 53.0% 不安定なテスト 3 入力トークン 100,255 出力トークン 6,422 推論トークン 49,847 応答時間（平均） 6.30s 応答時間（合計） 138.60s 応答時間（最大） 17.26s 不正解: 6 指示に従っていない: 4 無効なツール呼び出し: 2 反AIトリック : 10.0 コーディング : 7.8 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.3 指示追従 : 8.5 パズル解決 : 5.8 ツール呼び出し : 3.0 雑学 : 3.0
#195#195	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 39.4% 不安定なテスト 1 入力トークン 39,886 出力トークン 1,890 推論トークン 0 応答時間（平均） 6.19s 応答時間（合計） 136.23s 応答時間（最大） 118.00s 不正解: 13 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 : 5.5 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 : 5.0 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
#181#181	Claude Sonnet 5none	6.1	Anthropic	$0.548	6.05s
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 40.9% 不安定なテスト 4 入力トークン 161,032 出力トークン 22,508 推論トークン 0 応答時間（平均） 6.05s 応答時間（合計） 132.99s 応答時間（最大） 33.39s 不正解: 8 余分な書式: 4 回答なし: 2 指示に従っていない: 1 反AIトリック : 5.3 コーディング : 4.6 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 6.4 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#267#267	Nemotron 3 Supernone	4.8	NVIDIA	$0.008 ↑	6.04s
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 9.2 試行ごとの合格率 27.3% 不安定なテスト 2 入力トークン 63,528 出力トークン 6,432 推論トークン 0 応答時間（平均） 6.04s 応答時間（合計） 132.96s 応答時間（最大） 20.00s 不正解: 15 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.3 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 : 4.6 指示追従 : 6.3 パズル解決 : 5.5 ツール呼び出し : 4.7 雑学 : 3.0
#8#8	Gemini 3.7 Flashmedium	9.4	Google	$0.309 ↑	5.87s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 93.9% 不安定なテスト 1 入力トークン 89,055 出力トークン 5,697 推論トークン 58,880 応答時間（平均） 5.87s 応答時間（合計） 129.20s 応答時間（最大） 30.23s 不正解: 2 反AIトリック : 10.0 コーディング : 8.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#28#28	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 84.9% 不安定なテスト 2 入力トークン 87,826 出力トークン 2,239 推論トークン 32,956 応答時間（平均） 5.76s 応答時間（合計） 126.71s 応答時間（最大） 53.55s 不正解: 3 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 7.8 複合 : 8.2 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#246#246	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.051 ↓	5.57s
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 28.8% 不安定なテスト 5 入力トークン 93,990 出力トークン 45,905 推論トークン 0 応答時間（平均） 5.57s 応答時間（合計） 111.32s 応答時間（最大） 39.54s 不正解: 13 API エラー: 2 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.6 コーディング : 5.5 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.4 指示追従 : 6.2 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#91#91	GPT-5.6 Terralow	7.5	OpenAI	$0.420 ↓	5.45s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 74.2% 不安定なテスト 6 入力トークン 80,304 出力トークン 4,714 推論トークン 16,872 応答時間（平均） 5.45s 応答時間（合計） 119.83s 応答時間（最大） 19.85s 不正解: 8 無効なツール呼び出し: 1 反AIトリック : 8.3 コーディング : 6.6 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 4.7 雑学 : 3.0
#191#191	Gemma 4 31Bnone	6.1	Google	$0.016 ↓	5.41s
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 43.9% 不安定なテスト 1 入力トークン 125,703 出力トークン 13,317 推論トークン 0 応答時間（平均） 5.41s 応答時間（合計） 108.12s 応答時間（最大） 29.95s 不正解: 10 API エラー: 2 指示に従っていない: 1 反AIトリック : 6.5 コーディング : 5.5 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 : 10.0 指示追従 : 6.5 パズル解決 : 6.5 ツール呼び出し : 3.0 雑学 : 3.0
#210#210	Solar Pro 4none	5.8	Upstage	$0.006	5.37s
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 33.3% 不安定なテスト 1 入力トークン 130,863 出力トークン 11,912 推論トークン 0 応答時間（平均） 5.37s 応答時間（合計） 118.06s 応答時間（最大） 64.67s 不正解: 14 回答なし: 1 反AIトリック : 4.8 コーディング : 5.5 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 : 5.0 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
#180#180	GPT-5.6 Lunalow	6.2	OpenAI	$0.051 ↓	5.20s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.5% 不安定なテスト 5 入力トークン 96,355 出力トークン 8,213 推論トークン 18,073 応答時間（平均） 5.20s 応答時間（合計） 114.46s 応答時間（最大） 19.44s 不正解: 10 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 : 8.3 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 : 2.9 汎用知能 : 5.0 指示追従 : 8.5 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#172#172	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 40.9% 不安定なテスト 2 入力トークン 108,752 出力トークン 9,375 推論トークン 0 応答時間（平均） 5.17s 応答時間（合計） 113.83s 応答時間（最大） 48.38s 不正解: 13 余分な書式: 1 反AIトリック : 4.8 コーディング : 5.5 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 : 5.0 指示追従 : 6.5 パズル解決 : 4.0 ツール呼び出し : 10.0 雑学 : 3.0
#72#72	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 6 入力トークン 103,916 出力トークン 8,892 推論トークン 87,343 応答時間（平均） 5.12s 応答時間（合計） 112.73s 応答時間（最大） 26.41s 不正解: 6 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 : 10.0 コーディング : 7.9 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#188#188	Inklinglow	6.1	Thinkingmachines	$0.187	5.11s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 109,893 出力トークン 8,580 推論トークン 10,324 応答時間（平均） 5.11s 応答時間（合計） 112.46s 応答時間（最大） 41.58s 不正解: 8 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 8.3 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 : 5.3 汎用知能 : 10.0 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

←

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium