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: 2026-09-03 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）
#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
#290#290	Elephant Alphamedium	4.3	Openrouter	$0.000	1.27s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性該当なし試行ごとの合格率 28.8% 不安定なテスト 1 入力トークン 33,744 出力トークン 2,596 推論トークン 0 応答時間（平均） 1.27s 応答時間（合計） 22.82s 応答時間（最大） 3.70s 不正解: 9 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 : 6.6 コーディング : 3.7 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 : 4.3 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
#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
#299#299	Nemotron 3.5 Lightningnone	4.0	NVIDIA	$0.007 ↕	1.21s
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 2 入力トークン 74,074 出力トークン 2,731 推論トークン 0 応答時間（平均） 1.21s 応答時間（合計） 26.62s 応答時間（最大） 6.30s 不正解: 16 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 : 4.8 コーディング : 3.1 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 : 4.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 2.8 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
#286#286	Grok 4.20 Betanone	4.4	X AI	$0.087 ↓	1.19s
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 30.3% 不安定なテスト 1 入力トークン 40,597 出力トークン 1,657 推論トークン 0 応答時間（平均） 1.19s 応答時間（合計） 21.43s 応答時間（最大） 6.48s 不正解: 10 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 : 4.0 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 : 3.0 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#293#293	Grok 4.20none	4.1	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 27.3% 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 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
#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
#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
#311#311	LFM2-24B-A2Bnone	2.2	Liquid	$0.001	782ms
モデルカードを見る合計テスト数 16 誤答テスト数 14 信頼性該当なし試行ごとの合格率 12.1% 不安定なテスト 1 入力トークン 10,771 出力トークン 1,173 推論トークン 0 応答時間（平均） 782ms 応答時間（合計） 10.94s 応答時間（最大） 3.15s 不正解: 9 API エラー: 4 指示に従っていない: 1 反AIトリック : 2.5 コーディング : 0.0 複合 : 1.5 データ解析と抽出 : 3.0 ドメイン特化 : 5.9 汎用知能 : 4.0 指示追従 : 6.3 パズル解決 : 3.8 ツール呼び出し : 3.0 雑学 : 0.0
#309#309	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

←

1 12 13

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