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）
#247#247	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 10.0 試行ごとの合格率 66.7% 不安定なテスト 6 入力トークン 275,779 出力トークン 14,401 推論トークン 25,511 応答時間（平均） 4.79s 応答時間（合計） 110.24s 応答時間（最大） 53.91s 不正解: 9 指示に従っていない: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 9.0 コーディング : 4.3 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 4.7
#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
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 10.0 試行ごとの合格率 55.1% 不安定なテスト 1 入力トークン 261,962 出力トークン 12,799 推論トークン 2,961 応答時間（平均） 3.60s 応答時間（合計） 82.91s 応答時間（最大） 48.59s 不正解: 8 指示に従っていない: 2 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 7.5 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 : 5.3 汎用知能 : 4.0 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
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
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 9.8 試行ごとの合格率 60.9% 不安定なテスト 4 入力トークン 132,044 出力トークン 92,135 推論トークン 207,321 応答時間（平均） 13.08s 応答時間（合計） 287.79s 応答時間（最大） 75.27s 不正解: 7 API エラー: 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 : 10.0 コーディング : 6.7 複合 : 2.9 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 5.0 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
#325#325	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 9.9 試行ごとの合格率 53.6% 不安定なテスト 2 入力トークン 106,348 出力トークン 19,257 推論トークン 0 応答時間（平均） 7.82s 応答時間（合計） 172.04s 応答時間（最大） 102.62s 不正解: 11 エージェントタスク : 0.0 反AIトリック : 5.2 コーディング : 3.8 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 : 4.3 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
#419#419	Span-02default	2.8	Respan	$0.001	1.36s
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 70,626 出力トークン 0 推論トークン 0 応答時間（平均） 1.36s 応答時間（合計） 16.37s 応答時間（最大） 5.71s 不正解: 6 エージェントタスク : 0.0 反AIトリック : 5.8 コーディング : 4.9 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 : 5.0 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#423#423	Jev 1.13default	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
#433#433	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 50,509 推論トークン 33,867 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
#104#104	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
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 65.2% 不安定なテスト 6 入力トークン 287,061 出力トークン 32,056 推論トークン 196,607 応答時間（平均） 91.29s 応答時間（合計） 2099.56s 応答時間（最大） 416.76s 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 : 10.0 反AIトリック : 5.7 コーディング : 6.3 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 7.8 パズル解決 : 6.9 ツール呼び出し : 9.8 雑学 : 3.0
#133#133	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
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 66.7% 不安定なテスト 8 入力トークン 281,859 出力トークン 102,526 推論トークン 286,217 応答時間（平均） 69.87s 応答時間（合計） 1607.12s 応答時間（最大） 451.90s 不正解: 7 指示に従っていない: 3 回答なし: 2 エージェントタスク : 10.0 反AIトリック : 8.7 コーディング : 8.8 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 5.3 指示追従 : 8.4 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 3.0
#151#151	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
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 8.0 試行ごとの合格率 65.2% 不安定なテスト 7 入力トークン 244,499 出力トークン 8,744 推論トークン 375,349 応答時間（平均） 100.65s 応答時間（合計） 2314.88s 応答時間（最大） 626.58s 不正解: 6 API エラー: 4 余分な書式: 1 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 6.9 コーディング : 8.9 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 4.7 雑学 : 3.0
#173#173	Step 3.7 Flashlow	7.2	Stepfun	$0.449	20.72s
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 292,685 出力トークン 339,108 推論トークン 0 応答時間（平均） 20.72s 応答時間（合計） 476.67s 応答時間（最大） 124.75s 不正解: 9 無効なツール呼び出し: 2 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 8.7 コーディング : 8.2 複合 : 7.3 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.4 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#174#174	Qwen3.6 27Bmedium	7.2	Qwen	$1.021 ↑	107.79s
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 62.3% 不安定なテスト 7 入力トークン 264,147 出力トークン 34,419 推論トークン 253,480 応答時間（平均） 107.79s 応答時間（合計） 2479.26s 応答時間（最大） 1085.11s 不正解: 5 回答なし: 3 無効なツール呼び出し: 2 余分な書式: 1 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 8.3 コーディング : 7.7 複合 : 6.7 データ解析と抽出 : 3.5 ドメイン特化 : 2.9 汎用知能 : 6.5 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
#183#183	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
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 60.9% 不安定なテスト 5 入力トークン 245,179 出力トークン 62,697 推論トークン 196,621 応答時間（平均） 81.18s 応答時間（合計） 1785.87s 応答時間（最大） 365.80s 不正解: 8 タイムアウト: 2 API エラー: 1 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 : 7.3 コーディング : 7.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.7 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 3.0 雑学 : 3.0
#189#189	Muse Glimmer 30Blow	6.9	Meta	$0.219 ↓	22.40s
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 307,228 出力トークン 36,044 推論トークン 71,621 応答時間（平均） 22.40s 応答時間（合計） 515.14s 応答時間（最大） 234.92s 不正解: 6 指示に従っていない: 3 無効なツール呼び出し: 2 回答なし: 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 : 8.1 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.0 指示追従 : 8.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#193#193	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
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 56.5% 不安定なテスト 5 入力トークン 202,680 出力トークン 9,230 推論トークン 18,771 応答時間（平均） 6.96s 応答時間（合計） 160.19s 応答時間（最大） 45.74s 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 エージェントタスク : 10.0 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
#198#198	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
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 56.5% 不安定なテスト 4 入力トークン 213,901 出力トークン 9,623 推論トークン 12,414 応答時間（平均） 6.81s 応答時間（合計） 156.70s 応答時間（最大） 44.24s 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 エージェントタスク : 10.0 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
#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
#206#206	Solar Pro 4low	6.7	Upstage	$0.101 ↑	145.21s
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 60.9% 不安定なテスト 7 入力トークン 384,974 出力トークン 13,946 推論トークン 371,916 応答時間（平均） 145.21s 応答時間（合計） 3339.87s 応答時間（最大） 640.89s 不正解: 7 指示に従っていない: 2 API エラー: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 6.1 反AIトリック : 8.2 コーディング : 5.5 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#208#208	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
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 9.7 試行ごとの合格率 59.4% 不安定なテスト 5 入力トークン 166,517 出力トークン 107,386 推論トークン 217,548 応答時間（平均） 77.03s 応答時間（合計） 1694.74s 応答時間（最大） 431.03s 不正解: 5 タイムアウト: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 エージェントタスク : 3.0 反AIトリック : 5.5 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 : 3.2 汎用知能 : 5.1 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
#209#209	Ember-1max	6.7	Fireworks	$3.264	97.34s
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 8.3 試行ごとの合格率 59.4% 不安定なテスト 6 入力トークン 153,399 出力トークン 7,803 推論トークン 179,098 応答時間（平均） 97.34s 応答時間（合計） 2238.73s 応答時間（最大） 587.08s API エラー: 8 不正解: 3 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 8.7 コーディング : 5.2 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 6.2 パズル解決 : 7.7 ツール呼び出し : 3.0 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
#213#213	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
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 58.0% 不安定なテスト 4 入力トークン 255,173 出力トークン 9,891 推論トークン 17,277 応答時間（平均） 11.82s 応答時間（合計） 271.92s 応答時間（最大） 90.45s 不正解: 8 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 : 10.0 反AIトリック : 8.7 コーディング : 5.4 複合 : 3.8 データ解析と抽出 : 6.5 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 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#219#219	Step 3.7 Flashhigh	6.6	Stepfun	$1.478 ↑	72.72s
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 58.0% 不安定なテスト 4 入力トークン 421,200 出力トークン 1,100,052 推論トークン 0 応答時間（平均） 72.72s 応答時間（合計） 1672.53s 応答時間（最大） 364.99s 不正解: 8 回答なし: 2 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 5.4 反AIトリック : 10.0 コーディング : 4.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 5.5 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#221#221	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
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 65.2% 不安定なテスト 8 入力トークン 87,682 出力トークン 7,166 推論トークン 106,027 応答時間（平均） 19.40s 応答時間（合計） 446.11s 応答時間（最大） 209.15s 不正解: 10 API エラー: 2 エージェントタスク : 3.0 反AIトリック : 6.9 コーディング : 7.8 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.1 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0

←

1 9 10 11 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