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）
#284#284	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
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 9 入力トークン 142,621 出力トークン 20,409 推論トークン 251,820 応答時間（平均） 69.08s 応答時間（合計） 1036.24s 応答時間（最大） 251.36s 不正解: 7 タイムアウト: 4 指示に従っていない: 3 回答なし: 2 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 : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#287#287	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
#308#308	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
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 10.0 試行ごとの合格率 27.3% 不安定なテスト 5 入力トークン 11,661 出力トークン 48,491 推論トークン 180,695 応答時間（平均） 17.13s 応答時間（合計） 222.66s 応答時間（最大） 147.45s 不正解: 7 API エラー: 6 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.4 コーディング : 1.1 複合 : 1.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 7.3 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#276#276	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 21.2% 不安定なテスト 2 入力トークン 29,828 出力トークン 2,169 推論トークン 0 応答時間（平均） 2.98s 応答時間（合計） 56.57s 応答時間（最大） 14.34s 不正解: 12 指示に従っていない: 3 API エラー: 2 反AIトリック : 3.1 コーディング : 3.7 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 : 4.5 指示追従 : 3.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#295#295	Hy3 previewnone	4.0	Tencent	$0.007 ↕	12.92s
モデルカードを見る合計テスト数 21 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 2 入力トークン 27,172 出力トークン 2,661 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 232.64s 応答時間（最大） 35.84s 不正解: 8 API エラー: 4 指示に従っていない: 4 余分な書式: 1 反AIトリック : 4.8 コーディング : 2.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 指示追従 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#296#296	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 6.7 試行ごとの合格率 24.2% 不安定なテスト 4 入力トークン 36,851 出力トークン 68,882 推論トークン 0 応答時間（平均） 2.76s 応答時間（合計） 46.99s 応答時間（最大） 19.68s 不正解: 13 指示に従っていない: 2 API エラー: 1 余分な書式: 1 反AIトリック : 3.2 コーディング : 4.3 複合 : 1.5 データ解析と抽出 : 2.9 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
#233#233	DeepSeek V4 Flash 0423none	5.4	DeepSeek	$0.037 ↓	36.17s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 4 入力トークン 240,230 出力トークン 100,726 推論トークン 0 応答時間（平均） 36.17s 応答時間（合計） 795.83s 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 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
#234#234	Laguna S 2.1medium	5.4	Poolside	$0.053 ↓	58.42s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.2% 不安定なテスト 3 入力トークン 86,647 出力トークン 97,298 推論トークン 242,297 応答時間（平均） 58.42s 応答時間（合計） 1285.26s 応答時間（最大） 560.31s 不正解: 13 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 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
#239#239	DeepSeek V4 Flash 0731none	5.4	DeepSeek	$0.011 ↓	20.72s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 4 入力トークン 94,566 出力トークン 25,426 推論トークン 0 応答時間（平均） 20.72s 応答時間（合計） 455.81s 応答時間（最大） 387.15s 不正解: 13 指示に従っていない: 2 無効なツール呼び出し: 2 余分な書式: 1 反AIトリック : 3.4 コーディング : 4.3 複合 : 3.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.4 指示追従 : 5.0 パズル解決 : 3.2 ツール呼び出し : 9.5 雑学 : 3.0
#240#240	Laguna S 2.1high	5.4	Poolside	$0.114 ↓	111.60s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 5 入力トークン 208,937 出力トークン 175,588 推論トークン 409,276 応答時間（平均） 111.60s 応答時間（合計） 2455.24s 応答時間（最大） 1190.11s 不正解: 11 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 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
#244#244	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.59s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 18.2% 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） 8.59s 応答時間（合計） 163.20s 応答時間（最大） 25.72s 不正解: 12 API エラー: 3 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 : 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
#246#246	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.051 ↓	5.57s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 28.8% 不安定なテスト 5 入力トークン 93,990 出力トークン 45,905 推論トークン 0 応答時間（平均） 5.57s 応答時間（合計） 111.32s 応答時間（最大） 39.54s 不正解: 13 API エラー: 2 指示に従っていない: 2 回答なし: 1 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
#256#256	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.19s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 19.7% 不安定なテスト 1 入力トークン 144,416 出力トークン 37,484 推論トークン 0 応答時間（平均） 19.19s 応答時間（合計） 422.25s 応答時間（最大） 382.06s 不正解: 14 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 3.1 コーディング : 3.9 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 : 4.4 指示追従 : 6.5 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#258#258	North Mini Codenone	5.1	Cohere	$0.000	29.95s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 8.7 試行ごとの合格率 18.2% 不安定なテスト 0 入力トークン 130,501 出力トークン 26,786 推論トークン 0 応答時間（平均） 29.95s 応答時間（合計） 658.83s 応答時間（最大） 159.85s 不正解: 12 余分な書式: 2 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 3.0 コーディング : 3.9 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 : 3.9 指示追従 : 6.5 パズル解決 : 3.5 ツール呼び出し : 9.5 雑学 : 3.0
#265#265	Mercury 2.5 Previewnone	4.9	Inception	$0.018	3.51s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 30.3% 不安定なテスト 5 入力トークン 130,296 出力トークン 82,585 推論トークン 0 応答時間（平均） 3.51s 応答時間（合計） 77.28s 応答時間（最大） 60.70s 不正解: 16 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 : 3.8 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.6 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 : 10.0 雑学 : 3.0
#271#271	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.56s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 4 入力トークン 115,933 出力トークン 13,794 推論トークン 0 応答時間（平均） 2.56s 応答時間（合計） 56.37s 応答時間（最大） 25.50s 不正解: 15 指示に従っていない: 2 回答なし: 1 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
#281#281	Mercury 2none	4.7	Inception	$0.030	825ms
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.2% 不安定なテスト 2 入力トークン 89,637 出力トークン 9,584 推論トークン 0 応答時間（平均） 825ms 応答時間（合計） 18.14s 応答時間（最大） 4.52s 不正解: 17 指示に従っていない: 1 反AIトリック : 3.0 コーディング : 3.4 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 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#282#282	Granite 4.2 8Bhigh	4.6	IBM Granite	$0.084	235.89s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 7.6 試行ごとの合格率 39.4% 不安定なテスト 10 入力トークン 43,278 出力トークン 181,083 推論トークン 431,132 応答時間（平均） 235.89s 応答時間（合計） 5189.64s 応答時間（最大） 685.87s タイムアウト: 10 不正解: 6 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 6.9 コーディング : 3.8 複合 : 5.0 データ解析と抽出 : 3.8 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 6.4 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#289#289	GLM 4.7 Flashmedium	4.3	Z.ai	$0.168	134.34s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 8.6 試行ごとの合格率 31.8% 不安定なテスト 8 入力トークン 79,104 出力トークン 42,254 推論トークン 377,280 応答時間（平均） 134.34s 応答時間（合計） 2015.13s 応答時間（最大） 1539.97s 不正解: 9 回答なし: 3 指示に従っていない: 2 無効なツール呼び出し: 2 タイムアウト: 2 反AIトリック : 4.7 コーディング : 3.2 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 3.5 汎用知能 : 3.6 指示追従 : 6.2 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#301#301	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.2% 不安定なテスト 3 入力トークン 115,314 出力トークン 133,965 推論トークン 816,718 応答時間（平均） 75.68s 応答時間（合計） 1589.20s 応答時間（最大） 345.15s 回答なし: 7 不正解: 6 指示に従っていない: 3 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 6.4 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 2.9 汎用知能 : 5.4 指示追従 : 6.8 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 Tinylow	3.8	Inclusionai	$0.000	66.16s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 9.6 試行ごとの合格率 19.7% 不安定なテスト 1 入力トークン 99,662 出力トークン 146,555 推論トークン 732,977 応答時間（平均） 66.16s 応答時間（合計） 1389.33s 応答時間（最大） 252.08s 回答なし: 7 不正解: 5 指示に従っていない: 4 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 6.5 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 6.6 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#305#305	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 9.6 試行ごとの合格率 24.2% 不安定なテスト 3 入力トークン 103,898 出力トークン 148,304 推論トークン 774,972 応答時間（平均） 68.08s 応答時間（合計） 1429.66s 応答時間（最大） 262.20s 回答なし: 7 不正解: 5 指示に従っていない: 4 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 6.5 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.7 ドメイン特化 : 3.0 汎用知能 : 3.8 指示追従 : 6.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#303#303	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
モデルカードを見る合計テスト数 19 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 19.7% 不安定なテスト 3 入力トークン 36,608 出力トークン 1,723 推論トークン 0 応答時間（平均） 1.62s 応答時間（合計） 19.48s 応答時間（最大） 5.51s 不正解: 13 指示に従っていない: 3 反AIトリック : 3.2 コーディング : 1.8 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.4 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 2.8 雑学 : 3.0
#228#228	Hy4 previewlow	5.6	Tencent	$1.745	214.25s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 5.4 試行ごとの合格率 19.7% 不安定なテスト 3 入力トークン 45,154 出力トークン 4,022 推論トークン 678,516 応答時間（平均） 214.25s 応答時間（合計） 4713.56s 応答時間（最大） 597.45s API エラー: 14 不正解: 3 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.0 コーディング : 5.2 複合 : 2.9 データ解析と抽出 : 8.7 ドメイン特化 : 4.5 汎用知能 : 7.5 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#247#247	Dots 3 Note Previewnone	5.2	Dots Studio	$0.000	3.53s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 16.7% 不安定なテスト 1 入力トークン 116,155 出力トークン 19,679 推論トークン 0 応答時間（平均） 3.53s 応答時間（合計） 77.68s 応答時間（最大） 24.48s 不正解: 15 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 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

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