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: 2026-09-02 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）
#236#236	GPT-5.6 Lunanone	5.4	OpenAI	$0.029 ↓	1.50s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 3 入力トークン 101,332 出力トークン 6,709 推論トークン 0 応答時間（平均） 1.50s 応答時間（合計） 33.05s 応答時間（最大） 10.57s 不正解: 14 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 : 3.8 複合 : 3.2 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 : 7.1 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#243#243	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 8.6 試行ごとの合格率 36.4% 不安定なテスト 5 入力トークン 159,749 出力トークン 23,433 推論トークン 0 応答時間（平均） 14.67s 応答時間（合計） 322.71s 応答時間（最大） 132.84s 不正解: 11 余分な書式: 2 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.0 コーディング : 3.6 複合 : 3.0 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 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#248#248	Inklingnone	5.2	Thinkingmachines	$0.147	3.47s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 28.8% 不安定なテスト 1 入力トークン 104,120 出力トークン 10,554 推論トークン 0 応答時間（平均） 3.47s 応答時間（合計） 76.28s 応答時間（最大） 48.02s 不正解: 13 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 反AIトリック : 4.8 コーディング : 4.5 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 : 5.0 指示追従 : 6.3 パズル解決 : 5.6 ツール呼び出し : 3.0 雑学 : 3.0
#260#260	Mercury 2.5 Previewlow	5.0	Inception	$0.011	1.31s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 47.0% 不安定なテスト 8 入力トークン 133,525 出力トークン 7,259 推論トークン 24,716 応答時間（平均） 1.31s 応答時間（合計） 28.77s 応答時間（最大） 7.29s 不正解: 12 指示に従っていない: 2 API エラー: 1 回答なし: 1 反AIトリック : 5.6 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 4.1 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 8.2 ツール呼び出し : 2.8 雑学 : 3.0
#262#262	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 5 入力トークン 135,831 出力トークン 42,099 推論トークン 0 応答時間（平均） 17.89s 応答時間（合計） 393.53s 応答時間（最大） 115.89s 不正解: 8 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 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
#266#266	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.71s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 9.6 試行ごとの合格率 30.3% 不安定なテスト 2 入力トークン 114,384 出力トークン 14,903 推論トークン 0 応答時間（平均） 10.71s 応答時間（合計） 214.28s 応答時間（最大） 36.03s 不正解: 9 無効なツール呼び出し: 3 API エラー: 2 指示に従っていない: 2 反AIトリック : 6.8 コーディング : 5.3 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 9.8 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#306#306	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
モデルカードを見る合計テスト数 19 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 22.7% 不安定なテスト 0 入力トークン 33,675 出力トークン 2,826 推論トークン 0 応答時間（平均） 806ms 応答時間（合計） 12.09s 応答時間（最大） 2.01s 不正解: 8 API エラー: 4 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 : 3.0 コーディング : 8.3 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 : 3.0 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#288#288	Elephant Alphanone	4.3	Openrouter	$0.000	1.22s
モデルカードを見る合計テスト数 21 誤答テスト数 16 信頼性該当なし試行ごとの合格率 25.8% 不安定なテスト 1 入力トークン 33,743 出力トークン 2,573 推論トークン 0 応答時間（平均） 1.22s 応答時間（合計） 22.03s 応答時間（最大） 3.81s 不正解: 9 API エラー: 3 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 : 6.6 コーディング : 4.2 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 9.8 パズル解決 : 4.2 ツール呼び出し : 3.0 雑学 : 3.0
#227#227	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
#237#237	MiMo-V2.5-Pronone	5.4	Xiaomi	$0.068 ↓	4.24s
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 10.0 試行ごとの合格率 33.3% 不安定なテスト 4 入力トークン 124,808 出力トークン 15,362 推論トークン 0 応答時間（平均） 4.24s 応答時間（合計） 93.28s 応答時間（最大） 53.13s 不正解: 12 指示に従っていない: 4 回答なし: 1 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
#238#238	Kimi K2.5none	5.4	Moonshot AI	$0.101 ↓	18.03s
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 10.0 試行ごとの合格率 30.3% 不安定なテスト 4 入力トークン 89,320 出力トークン 26,643 推論トークン 0 応答時間（平均） 18.03s 応答時間（合計） 288.42s 応答時間（最大） 102.83s 不正解: 16 回答なし: 1 反AIトリック : 3.6 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#241#241	Inkling Smallnone	5.3	Thinkingmachines	$0.054 ↓	1.51s
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 10.0 試行ごとの合格率 24.2% 不安定なテスト 1 入力トークン 94,733 出力トークン 8,770 推論トークン 0 応答時間（平均） 1.51s 応答時間（合計） 33.21s 応答時間（最大） 12.35s 不正解: 15 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 : 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
#242#242	Laguna XS 2.1none	5.3	Poolside	$0.008	1.55s
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 10.0 試行ごとの合格率 30.3% 不安定なテスト 3 入力トークン 91,607 出力トークン 13,377 推論トークン 0 応答時間（平均） 1.55s 応答時間（合計） 34.01s 応答時間（最大） 19.02s 不正解: 14 指示に従っていない: 1 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 5.3 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 : 5.3 汎用知能 : 5.0 指示追従 : 3.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#250#250	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
#251#251	Mistral Small 4none	5.1	Mistral	$0.022	1.20s
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 10.0 試行ごとの合格率 25.8% 不安定なテスト 1 入力トークン 104,717 出力トークン 9,812 推論トークン 0 応答時間（平均） 1.20s 応答時間（合計） 26.41s 応答時間（最大） 13.16s 不正解: 16 指示に従っていない: 1 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
#252#252	Mistral Small 4medium	5.1	Mistral	$0.097	10.80s
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 10.0 試行ごとの合格率 43.9% 不安定なテスト 8 入力トークン 140,559 出力トークン 40,268 推論トークン 93,329 応答時間（平均） 10.80s 応答時間（合計） 237.60s 応答時間（最大） 59.15s 不正解: 13 指示に従っていない: 2 API エラー: 1 回答なし: 1 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
#254#254	Qwen3 Coder Nextnone	5.1	Qwen	$0.026 ↑	8.63s
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 10.0 試行ごとの合格率 25.8% 不安定なテスト 1 入力トークン 134,227 出力トークン 11,808 推論トークン 0 応答時間（平均） 8.63s 応答時間（合計） 146.72s 応答時間（最大） 45.14s 不正解: 14 余分な書式: 1 指示に従っていない: 1 回答なし: 1 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
#255#255	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.68s
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 10.0 試行ごとの合格率 27.3% 不安定なテスト 2 入力トークン 141,052 出力トークン 16,464 推論トークン 0 応答時間（平均） 4.68s 応答時間（合計） 103.02s 応答時間（最大） 55.36s 不正解: 14 余分な書式: 1 指示に従っていない: 1 回答なし: 1 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
#259#259	MiniMax M2.7medium	5.0	Minimax	$0.208	43.25s
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 10.0 試行ごとの合格率 45.5% 不安定なテスト 9 入力トークン 114,527 出力トークン 18,558 推論トークン 129,146 応答時間（平均） 43.25s 応答時間（合計） 908.21s 応答時間（最大） 196.21s 不正解: 6 指示に従っていない: 5 回答なし: 2 タイムアウト: 2 API エラー: 1 無効なツール呼び出し: 1 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
#263#263	GPT-4o-mininone	5.0	OpenAI	$0.010	1.92s
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 10.0 試行ごとの合格率 22.7% 不安定なテスト 0 入力トークン 53,145 出力トークン 2,913 推論トークン 0 応答時間（平均） 1.92s 応答時間（合計） 30.71s 応答時間（最大） 7.58s 不正解: 15 指示に従っていない: 1 回答なし: 1 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
#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
#270#270	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
#272#272	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
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 10.0 試行ごとの合格率 39.4% 不安定なテスト 8 入力トークン 101,776 出力トークン 276,367 推論トークン 656,252 応答時間（平均） 75.86s 応答時間（合計） 1668.93s 応答時間（最大） 510.21s 不正解: 10 指示に従っていない: 4 無効なツール呼び出し: 2 回答なし: 1 反AIトリック : 6.7 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 4.7 ツール呼び出し : 10.0 雑学 : 3.0
#274#274	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.070	12.46s
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 10.0 試行ごとの合格率 36.4% 不安定なテスト 7 入力トークン 69,376 出力トークン 97,752 推論トークン 0 応答時間（平均） 12.46s 応答時間（合計） 274.11s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 1 反AIトリック : 5.3 コーディング : 3.3 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 : 5.0 指示追従 : 9.9 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#275#275	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
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 10.0 試行ごとの合格率 30.3% 不安定なテスト 3 入力トークン 101,513 出力トークン 22,992 推論トークン 0 応答時間（平均） 8.81s 応答時間（合計） 140.88s 応答時間（最大） 97.15s 不正解: 14 無効なツール呼び出し: 2 指示に従っていない: 1 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

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