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: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#336#336	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
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 29.0% 不安定なテスト 6 入力トークン 272,479 出力トークン 40,677 推論トークン 23,104 応答時間（平均） 8.43s 応答時間（合計） 176.93s 応答時間（最大） 65.61s 不正解: 13 API エラー: 2 指示に従っていない: 2 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 : 5.2 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
#337#337	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 4 入力トークン 81,447 出力トークン 2,715 推論トークン 11,971 応答時間（平均） 1.99s 応答時間（合計） 45.67s 応答時間（最大） 5.82s 不正解: 9 指示に従っていない: 2 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 : 9.2 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 : 5.3 汎用知能 : 5.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#338#338	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
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 26.1% 不安定なテスト 0 入力トークン 123,993 出力トークン 12,777 推論トークン 0 応答時間（平均） 3.40s 応答時間（合計） 74.77s 応答時間（最大） 17.51s 不正解: 13 API エラー: 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 : 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 : 3.0 汎用知能 : 5.0 指示追従 : 4.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#342#342	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 不正解: 5 API エラー: 1 余分な書式: 1 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 : 0.0 反AIトリック : 8.1 コーディング : 6.0 複合 : 4.9 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 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
#344#344	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
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 24.6% 不安定なテスト 1 入力トークン 265,602 出力トークン 10,913 推論トークン 0 応答時間（平均） 3.12s 応答時間（合計） 71.87s 応答時間（最大） 45.46s 不正解: 17 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 : 3.4 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 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#347#347	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
#348#348	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
#349#349	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
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 24.6% 不安定なテスト 4 入力トークン 230,291 出力トークン 99,030 推論トークン 287,794 応答時間（平均） 63.06s 応答時間（合計） 1450.31s 応答時間（最大） 560.31s 不正解: 14 無効なツール呼び出し: 2 回答なし: 2 指示に従っていない: 1 エージェントタスク : 3.4 反AIトリック : 3.4 コーディング : 5.3 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 : 4.6 指示追従 : 4.2 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#351#351	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
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 44.9% 不安定なテスト 10 入力トークン 277,130 出力トークン 45,188 推論トークン 129,163 応答時間（平均） 50.32s 応答時間（合計） 1107.03s 応答時間（最大） 198.82s 不正解: 6 指示に従っていない: 5 無効なツール呼び出し: 2 回答なし: 2 タイムアウト: 2 API エラー: 1 エージェントタスク : 4.7 反AIトリック : 7.9 コーディング : 5.7 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 : 3.9 指示追従 : 3.8 パズル解決 : 5.9 ツール呼び出し : 4.7 雑学 : 3.0
#352#352	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
#353#353	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
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 21.7% 不安定なテスト 0 入力トークン 145,180 出力トークン 3,627 推論トークン 0 応答時間（平均） 4.16s 応答時間（合計） 70.70s 応答時間（最大） 39.99s 不正解: 16 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 : 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
#356#356	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
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 23.2% 不安定なテスト 1 入力トークン 94,733 出力トークン 7,087 推論トークン 1,683 応答時間（平均） 1.45s 応答時間（合計） 33.24s 応答時間（最大） 12.35s 不正解: 15 API エラー: 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 : 3.0 反AIトリック : 3.1 コーディング : 3.6 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 : 6.3 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#357#357	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
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 24.6% 不安定なテスト 1 入力トークン 250,329 出力トークン 45,168 推論トークン 0 応答時間（平均） 19.73s 応答時間（合計） 355.09s 応答時間（最大） 208.38s 不正解: 15 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 : 3.9 反AIトリック : 3.6 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 : 5.3 汎用知能 : 10.0 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
#358#358	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
#360#360	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
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 17.4% 不安定なテスト 0 入力トークン 106,423 出力トークン 11,555 推論トークン 0 応答時間（平均） 8.16s 応答時間（合計） 163.24s 応答時間（最大） 25.72s 不正解: 12 API エラー: 4 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 : 3.0 反AIトリック : 3.4 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 : 3.0 汎用知能 : 5.0 指示追従 : 6.4 パズル解決 : 3.1 ツール呼び出し : 3.0 雑学 : 3.0
#361#361	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
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 26.1% 不安定なテスト 2 入力トークン 276,608 出力トークン 17,693 推論トークン 16,267 応答時間（平均） 9.88s 応答時間（合計） 227.24s 応答時間（最大） 124.23s 不正解: 14 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 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 3.5 コーディング : 5.5 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 : 4.4 指示追従 : 6.5 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#364#364	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
モデルカードを見る合計テスト数 21 誤答テスト数 11 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 37,007 出力トークン 1,952 推論トークン 357,306 応答時間（平均） 41.16s 応答時間（合計） 823.26s 応答時間（最大） 299.23s 不正解: 5 指示に従っていない: 2 回答なし: 2 API エラー: 1 余分な書式: 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 : 3.3 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.4 指示追従 : 8.3 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#365#365	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
#366#366	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
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 29.0% 不安定なテスト 3 入力トークン 255,363 出力トークン 27,395 推論トークン 0 応答時間（平均） 13.04s 応答時間（合計） 221.61s 応答時間（最大） 97.15s 不正解: 15 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 : 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
#370#370	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
#372#372	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
#373#373	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
#374#374	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
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 26.1% 不安定なテスト 4 入力トークン 246,687 出力トークン 14,894 推論トークン 0 応答時間（平均） 4.42s 応答時間（合計） 101.75s 応答時間（最大） 45.38s 不正解: 16 指示に従っていない: 2 回答なし: 1 エージェントタスク : 3.9 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
#375#375	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
モデルカードを見る合計テスト数 18 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 53.6% 不安定なテスト 4 入力トークン 29,134 出力トークン 1,984 推論トークン 1,355,583 応答時間（平均） 61.96s 応答時間（合計） 1115.31s 応答時間（最大） 149.23s 不正解: 4 指示に従っていない: 3 回答なし: 1 エージェントタスク : 0.0 反AIトリック : 8.7 コーディング : 3.3 複合 : 5.0 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 : 7.3 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 0.0
#376#376	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 0 入力トークン 37,100 出力トークン 1,766 推論トークン 0 応答時間（平均） 2.99s 応答時間（合計） 62.74s 応答時間（最大） 6.51s 不正解: 11 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 : 5.5 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 : 4.6 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 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