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）
#276#276	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
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 9 入力トークン 277,028 出力トークン 11,965 推論トークン 31,238 応答時間（平均） 9.69s 応答時間（合計） 222.83s 応答時間（最大） 77.99s 不正解: 10 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 : 4.7 反AIトリック : 8.2 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 : 3.5 汎用知能 : 4.7 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
#233#233	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 3 入力トークン 233,893 出力トークン 12,432 推論トークン 0 応答時間（平均） 6.05s 応答時間（合計） 102.89s 応答時間（最大） 57.84s 不正解: 9 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 8.3 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 : 7.7 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#190#190	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 2 入力トークン 228,023 出力トークン 10,779 推論トークン 53,188 応答時間（平均） 6.27s 応答時間（合計） 144.10s 応答時間（最大） 47.78s 不正解: 8 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 : 9.1 コーディング : 5.5 複合 : 7.2 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 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#255#255	DeepSeek V3.2medium	6.3	DeepSeek	$0.152 ↑	70.08s
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 306,662 出力トークン 17,819 推論トークン 125,341 応答時間（平均） 70.08s 応答時間（合計） 1611.86s 応答時間（最大） 376.10s 不正解: 6 API エラー: 2 タイムアウト: 2 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 : 3.0 反AIトリック : 8.2 コーディング : 6.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.4 指示追従 : 10.0 パズル解決 : 7.0 ツール呼び出し : 10.0 雑学 : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 30.4% 不安定なテスト 4 入力トークン 403,455 出力トークン 100,227 推論トークン 15,364 応答時間（平均） 38.64s 応答時間（合計） 888.69s 応答時間（最大） 247.27s 不正解: 13 余分な書式: 2 無効なツール呼び出し: 2 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 : 3.0 コーディング : 4.2 複合 : 4.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.2 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
#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
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 6 入力トークン 250,919 出力トークン 20,816 推論トークン 0 応答時間（平均） 12.71s 応答時間（合計） 292.29s 応答時間（最大） 156.31s 不正解: 11 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 : 3.8 コーディング : 5.5 複合 : 3.2 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 5.2 指示追従 : 6.2 パズル解決 : 5.3 ツール呼び出し : 9.5 雑学 : 3.0
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 27.5% 不安定なテスト 6 入力トークン 344,806 出力トークン 177,330 推論トークン 453,213 応答時間（平均） 113.63s 応答時間（合計） 2613.48s 応答時間（最大） 1190.11s 不正解: 12 無効なツール呼び出し: 2 回答なし: 2 API エラー: 1 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 : 2.8 反AIトリック : 3.4 コーディング : 5.3 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 : 4.6 指示追従 : 4.6 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#192#192	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 3 入力トークン 251,164 出力トークン 36,112 推論トークン 241,203 応答時間（平均） 78.76s 応答時間（合計） 1653.96s 応答時間（最大） 437.40s 不正解: 4 API エラー: 2 無効なツール呼び出し: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 4.3 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 : 10.0 パズル解決 : 9.9 ツール呼び出し : 3.0 雑学 : 3.0
#145#145	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
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 9.4 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 313,368 出力トークン 12,289 推論トークン 259,270 応答時間（平均） 91.67s 応答時間（合計） 1833.43s 応答時間（最大） 301.78s 不正解: 5 タイムアウト: 4 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.6 コーディング : 5.5 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#303#303	GLM 5none	5.6	Z.ai	$0.140 ↑	8.74s
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 40.6% 不安定なテスト 1 入力トークン 190,675 出力トークン 5,577 推論トークン 0 応答時間（平均） 8.74s 応答時間（合計） 131.17s 応答時間（最大） 74.80s 不正解: 13 エージェントタスク : 5.0 反AIトリック : 4.8 コーディング : 4.0 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 : 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
#38#38	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 2 入力トークン 394,509 出力トークン 10,349 推論トークン 188,919 応答時間（平均） 16.58s 応答時間（合計） 381.40s 応答時間（最大） 92.74s 不正解: 2 余分な書式: 1 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 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 : 5.0 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
モデルカードを見る合計テスト数 23 誤答テスト数 16 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 388,929 出力トークン 57,714 推論トークン 0 応答時間（平均） 7.63s 応答時間（合計） 175.42s 応答時間（最大） 93.47s 不正解: 13 無効なツール呼び出し: 2 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 : 3.1 コーディング : 5.4 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 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 50.7% 不安定なテスト 2 入力トークン 25,987 出力トークン 216,719 推論トークン 0 応答時間（平均） 56.57s 応答時間（合計） 848.59s 応答時間（最大） 149.94s API エラー: 7 不正解: 3 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 : 5.3 複合 : 5.0 データ解析と抽出 : 6.5 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#338#338	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 31.9% 不安定なテスト 4 入力トークン 273,075 出力トークン 17,069 推論トークン 0 応答時間（平均） 6.21s 応答時間（合計） 142.89s 応答時間（最大） 53.13s 不正解: 12 指示に従っていない: 4 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 : 3.9 反AIトリック : 3.3 コーディング : 4.3 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 : 4.0 指示追従 : 6.4 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#179#179	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
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 69.6% 不安定なテスト 7 入力トークン 259,664 出力トークン 8,414 推論トークン 333,097 応答時間（平均） 49.20s 応答時間（合計） 1131.69s 応答時間（最大） 316.27s 不正解: 5 余分な書式: 2 回答なし: 2 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 : 10.0 コーディング : 6.2 複合 : 8.7 データ解析と抽出 : 2.7 ドメイン特化 : 3.6 汎用知能 : 5.4 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#334#334	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.7 試行ごとの合格率 42.0% 不安定なテスト 8 入力トークン 321,955 出力トークン 41,555 推論トークン 94,946 応答時間（平均） 12.68s 応答時間（合計） 291.66s 応答時間（最大） 59.15s 不正解: 14 指示に従っていない: 2 API エラー: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 5.6 コーディング : 4.4 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 : 7.3 パズル解決 : 3.4 ツール呼び出し : 10.0 雑学 : 3.0
#218#218	Mercury 2medium	6.6	Inception	$0.121	4.40s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 53.6% 不安定なテスト 5 入力トークン 189,300 出力トークン 10,854 推論トークン 86,089 応答時間（平均） 4.40s 応答時間（合計） 96.81s 応答時間（最大） 34.92s 不正解: 9 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 : 4.7 反AIトリック : 6.9 コーディング : 8.2 複合 : 6.7 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 37.7% 不安定なテスト 4 入力トークン 218,886 出力トークン 135,768 推論トークン 0 応答時間（平均） 18.31s 応答時間（合計） 421.19s 応答時間（最大） 209.15s 不正解: 14 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 : 3.9 反AIトリック : 3.4 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 : 6.5 指示追従 : 6.3 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#364#364	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 5 入力トークン 342,158 出力トークン 32,853 推論トークン 25,013 応答時間（平均） 22.44s 応答時間（合計） 516.03s 応答時間（最大） 122.50s 不正解: 9 API エラー: 3 余分な書式: 2 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 3.0 反AIトリック : 3.2 コーディング : 3.1 複合 : 4.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.7 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#108#108	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 197,896 出力トークン 6,211 推論トークン 133,184 応答時間（平均） 18.39s 応答時間（合計） 422.93s 応答時間（最大） 111.09s 不正解: 8 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 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#165#165	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 2 入力トークン 283,977 出力トークン 36,422 推論トークン 0 応答時間（平均） 9.98s 応答時間（合計） 229.52s 応答時間（最大） 124.53s 不正解: 11 指示に従っていない: 2 エージェントタスク : 10.0 反AIトリック : 4.8 コーディング : 5.8 複合 : 6.4 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 : 6.3 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#279#279	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 39.1% 不安定なテスト 3 入力トークン 314,113 出力トークン 17,558 推論トークン 0 応答時間（平均） 7.49s 応答時間（合計） 172.19s 応答時間（最大） 75.99s 不正解: 14 回答なし: 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 : 5.6 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 : 10.0 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
#177#177	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
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 69.6% 不安定なテスト 8 入力トークン 205,100 出力トークン 8,639 推論トークン 21,409 応答時間（平均） 7.37s 応答時間（合計） 169.54s 応答時間（最大） 74.39s 不正解: 8 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 : 10.0 反AIトリック : 7.3 コーディング : 6.0 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.4 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
#278#278	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.7% 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） 6.03s 応答時間（合計） 138.65s 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 API エラー: 1 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 : 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

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