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）
#216#216	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
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 62.3% 不安定なテスト 8 入力トークン 300,394 出力トークン 14,081 推論トークン 500,844 応答時間（平均） 51.80s 応答時間（合計） 1191.42s 応答時間（最大） 593.64s 不正解: 8 指示に従っていない: 4 無効なツール呼び出し: 1 エージェントタスク : 5.2 反AIトリック : 10.0 コーディング : 6.2 複合 : 6.4 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 : 5.8 パズル解決 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#132#132	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
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 73.9% 不安定なテスト 4 入力トークン 229,986 出力トークン 6,037 推論トークン 95,550 応答時間（平均） 20.37s 応答時間（合計） 468.52s 応答時間（最大） 106.93s 不正解: 6 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 : 5.2 反AIトリック : 10.0 コーディング : 7.8 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 : 5.1 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
#418#418	Command A+low	3.0	Cohere	$0.073	92.50s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 1.5% 不安定なテスト 1 入力トークン 114,874 出力トークン 1,992 推論トークン 23,529 応答時間（平均） 92.50s 応答時間（合計） 2127.40s 応答時間（最大） 128.54s API エラー: 22 不正解: 1 エージェントタスク : 2.8 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
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 9.7 試行ごとの合格率 66.7% 不安定なテスト 2 入力トークン 277,164 出力トークン 1,913 推論トークン 168,783 応答時間（平均） 40.09s 応答時間（合計） 881.89s 応答時間（最大） 214.63s 不正解: 4 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 エージェントタスク : 4.7 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
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不安定なテスト 6 入力トークン 318,058 出力トークン 16,035 推論トークン 315,072 応答時間（平均） 41.03s 応答時間（合計） 943.75s 応答時間（最大） 394.54s 不正解: 7 指示に従っていない: 3 API エラー: 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 : 6.7 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 8.5 パズル解決 : 7.3 ツール呼び出し : 10.0 雑学 : 3.0
#363#363	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
#378#378	KAT Coder AIR V2.5default	4.4	Kwaipilot	$0.070	11.96s
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 34.8% 不安定なテスト 7 入力トークン 69,376 出力トークン 7,792 推論トークン 89,960 応答時間（平均） 11.96s 応答時間（合計） 275.18s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 2 エージェントタスク : 3.0 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
#282#282	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
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 9.9 試行ごとの合格率 47.8% 不安定なテスト 4 入力トークン 202,069 出力トークン 11,961 推論トークン 0 応答時間（平均） 3.58s 応答時間（合計） 82.24s 応答時間（最大） 43.82s 不正解: 12 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 : 7.5 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 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#393#393	Grok 4.1 Fastmedium	3.9	X AI	$0.069 ↑	23.85s
モデルカードを見る合計テスト数 19 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 6 入力トークン 42,845 出力トークン 2,006 推論トークン 96,334 応答時間（平均） 23.85s 応答時間（合計） 286.16s 応答時間（最大） 121.79s 指示に従っていない: 4 不正解: 4 回答なし: 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 : 8.7 コーディング : 0.8 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#365#365	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
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
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 9.9 試行ごとの合格率 58.0% 不安定なテスト 2 入力トークン 150,033 出力トークン 22,347 推論トークン 402,143 応答時間（平均） 142.76s 応答時間（合計） 3283.43s 応答時間（最大） 491.42s 不正解: 5 指示に従っていない: 3 回答なし: 2 余分な書式: 1 エージェントタスク : 3.0 反AIトリック : 8.3 コーディング : 5.8 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.5 指示追従 : 8.4 パズル解決 : 8.9 ツール呼び出し : 10.0 雑学 : 3.0
#348#348	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
#148#148	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
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 212,780 出力トークン 6,849 推論トークン 41,137 応答時間（平均） 9.64s 応答時間（合計） 221.62s 応答時間（最大） 58.09s 不正解: 9 無効なツール呼び出し: 1 エージェントタスク : 7.4 反AIトリック : 8.3 コーディング : 5.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.1 指示追従 : 9.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#408#408	Command A+medium	3.4	Cohere	$0.064	91.72s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 118,771 出力トークン 4,127 推論トークン 14,668 応答時間（平均） 91.72s 応答時間（合計） 2109.54s 応答時間（最大） 112.76s API エラー: 22 不正解: 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 : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#135#135	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
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 71.0% 不安定なテスト 7 入力トークン 298,334 出力トークン 10,328 推論トークン 55,846 応答時間（平均） 7.71s 応答時間（合計） 177.29s 応答時間（最大） 47.70s 不正解: 5 余分な書式: 2 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 : 8.7 コーディング : 6.3 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 : 3.8 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
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
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 71.0% 不安定なテスト 7 入力トークン 293,775 出力トークン 13,527 推論トークン 396,291 応答時間（平均） 45.48s 応答時間（合計） 1045.97s 応答時間（最大） 431.47s 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 : 4.7 反AIトリック : 10.0 コーディング : 8.2 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#74#74	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 76.8% 不安定なテスト 3 入力トークン 296,301 出力トークン 10,672 推論トークン 50,978 応答時間（平均） 7.51s 応答時間（合計） 172.74s 応答時間（最大） 44.43s 不正解: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 8.7 コーディング : 7.9 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 : 4.6 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#318#318	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
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 30.4% 不安定なテスト 2 入力トークン 276,697 出力トークン 75,728 推論トークン 0 応答時間（平均） 6.20s 応答時間（合計） 142.63s 応答時間（最大） 62.57s 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 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 : 3.7 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 : 5.0 指示追従 : 6.5 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#407#407	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 26.1% 不安定なテスト 0 入力トークン 41,313 出力トークン 1,923 推論トークン 0 応答時間（平均） 1.11s 応答時間（合計） 19.96s 応答時間（最大） 6.04s 不正解: 10 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 : 0.0 反AIトリック : 4.8 コーディング : 1.1 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 : 4.8 指示追従 : 6.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 0.0
#158#158	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
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 66.7% 不安定なテスト 4 入力トークン 225,013 出力トークン 12,197 推論トークン 87,143 応答時間（平均） 29.11s 応答時間（合計） 669.54s 応答時間（最大） 163.41s 不正解: 4 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: 1 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 8.3 コーディング : 8.2 複合 : 6.4 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
#328#328	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
#347#347	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
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
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 349,876 出力トークン 39,789 推論トークン 0 応答時間（平均） 27.42s 応答時間（合計） 630.70s 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 エージェントタスク : 10.0 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
#367#367	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
#321#321	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 指示に従っていない: 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 : 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 : 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

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