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）
#314#314	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	NVIDIA	$0.000	728ms
モデルカードを見る合計テスト数 19 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 15.2% 不安定なテスト 2 入力トークン 11,661 出力トークン 1,302 推論トークン 0 応答時間（平均） 728ms 応答時間（合計） 9.47s 応答時間（最大） 2.21s 不正解: 9 API エラー: 6 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 : 1.5 データ解析と抽出 : 3.8 ドメイン特化 : 3.6 汎用知能 : 3.0 指示追従 : 4.8 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#315#315	Step 3.5 Flashnone	2.3	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 27.3% 不安定なテスト 0 入力トークン 1,971 出力トークン 64,795 推論トークン 0 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 反AIトリック : 10.0 コーディング : 9.8 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
#4#4	GPT-6 Astrahigh	9.9	OpenAI	$3.474	18.65s
モデルカードを見る合計テスト数 22 誤答テスト数 1 信頼性 9.9 試行ごとの合格率 97.0% 不安定なテスト 1 入力トークン 79,290 出力トークン 4,847 推論トークン 48,775 応答時間（平均） 18.65s 応答時間（合計） 410.28s 応答時間（最大） 254.93s 不正解: 1 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 : 7.6 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
#5#5	GPT-6 Astraxhigh	9.9	OpenAI	$5.156	28.44s
モデルカードを見る合計テスト数 22 誤答テスト数 1 信頼性 9.9 試行ごとの合格率 97.0% 不安定なテスト 1 入力トークン 79,662 出力トークン 5,055 推論トークン 82,128 応答時間（平均） 28.44s 応答時間（合計） 625.68s 応答時間（最大） 381.11s 不正解: 1 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 : 7.6 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
#9#9	GPT-6 Astralow	9.5	OpenAI	$1.289	5.09s
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 9.9 試行ごとの合格率 90.9% 不安定なテスト 0 入力トークン 78,100 出力トークン 4,155 推論トークン 5,989 応答時間（平均） 5.09s 応答時間（合計） 112.04s 応答時間（最大） 28.60s 不正解: 2 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 : 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
#14#14	GPT-6 Astramedium	9.4	OpenAI	$1.774	8.08s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 9.9 試行ごとの合格率 90.9% 不安定なテスト 2 入力トークン 79,264 出力トークン 4,789 推論トークン 14,838 応答時間（平均） 8.08s 応答時間（合計） 177.70s 応答時間（最大） 73.48s 不正解: 3 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 : 5.9 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 : 2.8
#41#41	Muse Spark 1.2high	8.7	Meta	$1.771	26.59s
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 9.9 試行ごとの合格率 74.2% 不安定なテスト 5 入力トークン 117,037 出力トークン 6,983 推論トークン 375,104 応答時間（平均） 26.59s 応答時間（合計） 584.89s 応答時間（最大） 192.00s 不正解: 4 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 7.1 コーディング : 10.0 複合 : 8.0 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#63#63	Muse Glimmer 30Bxhigh	8.1	Meta	$0.471 ↓	95.55s
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 9.9 試行ごとの合格率 69.7% 不安定なテスト 4 入力トークン 110,930 出力トークン 116,373 推論トークン 330,471 応答時間（平均） 95.55s 応答時間（合計） 2102.12s 応答時間（最大） 576.79s 不正解: 4 回答なし: 3 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 : 10.0 複合 : 6.0 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 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#106#106	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.56s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 9.9 試行ごとの合格率 68.2% 不安定なテスト 0 入力トークン 95,992 出力トークン 12,446 推論トークン 0 応答時間（平均） 4.56s 応答時間（合計） 100.30s 応答時間（最大） 72.30s 不正解: 7 反AIトリック : 6.5 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 : 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
#149#149	Solar Pro 4medium	6.8	Upstage	$0.047	127.64s
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 9.9 試行ごとの合格率 62.1% 不安定なテスト 4 入力トークン 87,902 出力トークン 30,743 推論トークン 335,668 応答時間（平均） 127.64s 応答時間（合計） 2808.09s 応答時間（最大） 519.91s 不正解: 5 指示に従っていない: 2 API エラー: 1 余分な書式: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 5.5 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 9.8 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#157#157	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
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 9.9 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 90,870 出力トークン 5,676 推論トークン 314,918 応答時間（平均） 113.61s 応答時間（合計） 2499.46s 応答時間（最大） 560.39s 不正解: 7 API エラー: 2 指示に従っていない: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.6 複合 : 10.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#174#174	Qwen3.6 Max Previewnone	6.4	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 56.1% 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 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
#232#232	Nemotron 3.5 Lightninghigh	5.6	NVIDIA	$0.134 ↕	58.26s
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 9.9 試行ごとの合格率 50.0% 不安定なテスト 12 入力トークン 118,016 出力トークン 148,344 推論トークン 506,253 応答時間（平均） 58.26s 応答時間（合計） 1281.79s 応答時間（最大） 285.26s 不正解: 11 指示に従っていない: 4 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 5.5 コーディング : 4.4 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 : 3.7 指示追従 : 8.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#240#240	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.046	10.63s
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 9.9 試行ごとの合格率 43.9% 不安定なテスト 6 入力トークン 61,094 出力トークン 6,532 推論トークン 53,882 応答時間（平均） 10.63s 応答時間（合計） 233.77s 応答時間（最大） 86.23s 不正解: 7 余分な書式: 4 API エラー: 2 指示に従っていない: 2 反AIトリック : 7.3 コーディング : 3.5 複合 : 6.4 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#255#255	Nemotron 3.5 Lightningmedium	5.1	NVIDIA	$0.156 ↕	70.11s
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 9.9 試行ごとの合格率 48.5% 不安定なテスト 11 入力トークン 126,330 出力トークン 165,702 推論トークン 594,739 応答時間（平均） 70.11s 応答時間（合計） 1542.52s 応答時間（最大） 437.11s 不正解: 13 指示に従っていない: 3 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 : 4.4 複合 : 6.2 データ解析と抽出 : 3.7 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.5 パズル解決 : 4.2 ツール呼び出し : 10.0 雑学 : 3.0
#93#93	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.701 ↕	33.62s
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 9.8 試行ごとの合格率 66.7% 不安定なテスト 3 入力トークン 233,415 出力トークン 54,384 推論トークン 130,021 応答時間（平均） 33.62s 応答時間（合計） 739.59s 応答時間（最大） 392.56s 不正解: 7 API エラー: 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 : 8.4 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.7 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
#179#179	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
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 9.8 試行ごとの合格率 63.6% 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） 13.70s 応答時間（合計） 287.75s 応答時間（最大） 75.27s 不正解: 7 無効なツール呼び出し: 2 API エラー: 1 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
#225#225	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
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 9.8 試行ごとの合格率 42.4% 不安定なテスト 5 入力トークン 50,423 出力トークン 4,144 推論トークン 110,510 応答時間（平均） 15.87s 応答時間（合計） 349.16s 応答時間（最大） 118.35s 不正解: 9 API エラー: 3 余分な書式: 3 反AIトリック : 6.9 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#275#275	Nemotron 3.5 Lightninglow	4.8	NVIDIA	$0.140 ↕	59.81s
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 9.8 試行ごとの合格率 42.4% 不安定なテスト 9 入力トークン 138,792 出力トークン 142,972 推論トークン 522,202 応答時間（平均） 59.81s 応答時間（合計） 1315.80s 応答時間（最大） 312.21s 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 反AIトリック : 6.9 コーディング : 4.0 複合 : 6.3 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 8.4 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#292#292	Laguna M.1none	4.4	Poolside	$0.009 ↕	2.89s
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 9.8 試行ごとの合格率 27.3% 不安定なテスト 3 入力トークン 38,147 出力トークン 2,054 推論トークン 0 応答時間（平均） 2.89s 応答時間（合計） 43.28s 応答時間（最大） 15.42s 不正解: 10 API エラー: 4 無効なツール呼び出し: 1 反AIトリック : 3.4 コーディング : 2.5 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.0 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
#302#302	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
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 9.8 試行ごとの合格率 9.1% 不安定なテスト 0 入力トークン 184,579 出力トークン 110,071 推論トークン 0 応答時間（平均） 14.02s 応答時間（合計） 294.46s 応答時間（最大） 240.61s 不正解: 13 指示に従っていない: 4 API エラー: 1 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 4.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 3.1 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#97#97	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
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 9.7 試行ごとの合格率 62.1% 不安定なテスト 5 入力トークン 121,996 出力トークン 90,051 推論トークン 185,731 応答時間（平均） 75.15s 応答時間（合計） 1578.24s 応答時間（最大） 431.03s 不正解: 4 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 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
#53#53	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
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 9.6 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 100,179 出力トークン 904 推論トークン 655,731 応答時間（平均） 167.89s 応答時間（合計） 3693.54s 応答時間（最大） 640.85s 指示に従っていない: 2 回答なし: 2 不正解: 2 反AIトリック : 10.0 コーディング : 8.1 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 : 5.0 指示追従 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#81#81	Qwen3.8 27Bmedium	7.8	Qwen	~$0.058	33.05s
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 9.6 試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 98,266 出力トークン 1,861 推論トークン 134,301 応答時間（平均） 33.05s 応答時間（合計） 694.04s 応答時間（最大） 214.63s 不正解: 3 指示に従っていない: 2 API エラー: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 6.5 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 : 8.3 ツール呼び出し : 3.0 雑学 : 3.0
#124#124	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
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 9.6 試行ごとの合格率 63.6% 不安定なテスト 2 入力トークン 42,106 出力トークン 2,280 推論トークン 169,843 応答時間（平均） 46.97s 応答時間（合計） 986.35s 応答時間（最大） 189.38s 不正解: 8 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.2 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 : 4.9 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

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