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: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#218#218	GLM 5.3 Flashlow	6.6	Z.ai	$0.038	11.82s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 4 入力トークン 255,173 出力トークン 9,891 推論トークン 17,277 応答時間（平均） 11.82s 応答時間（合計） 271.92s 応答時間（最大） 90.45s 不正解: 8 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 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 : 5.4 複合 : 3.8 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#65#65	Muse Spark 1.2low	8.7	Meta	$0.881	11.81s
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 78.3% 不安定なテスト 3 入力トークン 254,914 出力トークン 10,303 推論トークン 121,928 応答時間（平均） 11.81s 応答時間（合計） 271.60s 応答時間（最大） 56.77s 不正解: 4 指示に従っていない: 3 エージェントタスク : 10.0 反AIトリック : 9.2 コーディング : 8.4 複合 : 9.8 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 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#121#121	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 2 入力トークン 296,760 出力トークン 4,371 推論トークン 92,284 応答時間（平均） 11.78s 応答時間（合計） 271.03s 応答時間（最大） 84.47s 不正解: 3 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 : 2.8 反AIトリック : 10.0 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 : 5.3 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 10.0
#272#272	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 3 入力トークン 209,116 出力トークン 10,031 推論トークン 16,042 応答時間（平均） 11.40s 応答時間（合計） 262.14s 応答時間（最大） 34.77s 余分な書式: 4 不正解: 4 指示に従っていない: 3 API エラー: 1 エージェントタスク : 2.8 反AIトリック : 6.5 コーディング : 3.4 複合 : 10.0 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 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#220#220	GLM 5.2none	6.6	Z.ai	$0.250 ↑	11.27s
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 63.8% 不安定なテスト 3 入力トークン 247,919 出力トークン 17,685 推論トークン 0 応答時間（平均） 11.27s 応答時間（合計） 259.32s 応答時間（最大） 79.65s 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 : 6.1 反AIトリック : 8.3 コーディング : 3.7 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.1 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
#13#13	GPT-5.6 Sollow	9.6	OpenAI	$1.244	11.13s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 87.0% 不安定なテスト 2 入力トークン 191,653 出力トークン 5,473 推論トークン 17,084 応答時間（平均） 11.13s 応答時間（合計） 256.08s 応答時間（最大） 57.11s 不正解: 4 エージェントタスク : 10.0 反AIトリック : 8.3 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 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 10.0
#234#234	GLM 5.1none	6.5	Z.ai	$0.451 ↑	11.10s
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 5 入力トークン 258,956 出力トークン 20,076 推論トークン 0 応答時間（平均） 11.10s 応答時間（合計） 255.39s 応答時間（最大） 107.19s 不正解: 12 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 : 10.0 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#240#240	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
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 56.5% 不安定なテスト 2 入力トークン 199,105 出力トークン 4,274 推論トークン 195,495 応答時間（平均） 11.10s 応答時間（合計） 255.26s 応答時間（最大） 54.48s 不正解: 6 API エラー: 3 指示に従っていない: 2 エージェントタスク : 3.0 反AIトリック : 10.0 コーディング : 10.0 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 : 5.5 指示追従 : 8.4 パズル解決 : 7.8 ツール呼び出し : 3.0 雑学 : 3.0
#74#74	Claude Sonnet 5.5high	8.6	Anthropic	$1.175	10.79s
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 81.2% 不安定なテスト 5 入力トークン 345,687 出力トークン 13,550 推論トークン 34,743 応答時間（平均） 10.79s 応答時間（合計） 248.22s 応答時間（最大） 51.53s 不正解: 5 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 : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.2 データ解析と抽出 : 7.3 ドメイン特化 : 3.5 汎用知能 : 6.5 指示追従 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#178#178	Claude Opus 5none	7.1	Anthropic	$2.766	10.78s
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 55.1% 不安定なテスト 1 入力トークン 396,120 出力トークン 31,386 推論トークン 0 応答時間（平均） 10.78s 応答時間（合計） 247.96s 応答時間（最大） 79.61s 不正解: 7 余分な書式: 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 : 5.4 反AIトリック : 5.5 コーディング : 5.9 複合 : 8.3 データ解析と抽出 : 10.0 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
#320#320	Gemma 4 26B A4Bnone	5.5	Google	$0.031	10.55s
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 42.0% 不安定なテスト 1 入力トークン 280,126 出力トークン 17,306 推論トークン 0 応答時間（平均） 10.55s 応答時間（合計） 242.57s 応答時間（最大） 75.76s 不正解: 10 指示に従っていない: 2 無効なツール呼び出し: 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 : 8.3 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 : 6.3 パズル解決 : 6.2 ツール呼び出し : 10.0 雑学 : 3.0
#92#92	Claude Haiku 5.5high	8.3	Anthropic	$0.088	10.41s
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 76.8% 不安定なテスト 4 入力トークン 346,451 出力トークン 10,136 推論トークン 95,504 応答時間（平均） 10.41s 応答時間（合計） 239.38s 応答時間（最大） 52.61s 不正解: 4 余分な書式: 2 指示に従っていない: 1 回答なし: 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 : 6.0 複合 : 10.0 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 : 9.9 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#401#401	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 50.7% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 7.3 コーディング : 1.0 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#354#354	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 9.9 試行ごとの合格率 42.0% 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） 10.21s 応答時間（合計） 234.86s 応答時間（最大） 86.23s 不正解: 7 余分な書式: 4 API エラー: 3 指示に従っていない: 2 エージェントタスク : 3.0 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
#382#382	Ling 2.6 Flashdefault	4.5	Inclusionai	$0.002 ↑	10.21s
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 9.6 試行ごとの合格率 29.0% 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） 10.21s 応答時間（合計） 214.31s 応答時間（最大） 36.03s 不正解: 9 API エラー: 3 無効なツール呼び出し: 3 指示に従っていない: 2 エージェントタスク : 3.0 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
#168#168	Qwen3.5-27Bnone	7.2	Qwen	$0.116	9.98s
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 47.8% 不安定なテスト 2 入力トークン 283,977 出力トークン 36,422 推論トークン 0 応答時間（平均） 9.98s 応答時間（合計） 229.52s 応答時間（最大） 124.53s 不正解: 11 指示に従っていない: 2 エージェントタスク : 10.0 反AIトリック : 4.8 コーディング : 5.8 複合 : 6.4 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 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#21#21	GPT-6 Astramedium	9.5	OpenAI	$2.707	9.90s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 9.9 試行ごとの合格率 91.3% 不安定なテスト 2 入力トークン 165,464 出力トークン 5,591 推論トークン 15,454 応答時間（平均） 9.90s 応答時間（合計） 227.67s 応答時間（最大） 73.48s 不正解: 3 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 : 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
#361#361	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
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 26.1% 不安定なテスト 2 入力トークン 276,608 出力トークン 17,693 推論トークン 16,267 応答時間（平均） 9.88s 応答時間（合計） 227.24s 応答時間（最大） 124.23s 不正解: 14 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 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 : 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
#381#381	Owl Alphadefault	4.6	Openrouter	$0.000	9.88s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 33.3% 不安定なテスト 1 入力トークン 42,283 出力トークン 5,913 推論トークン 0 応答時間（平均） 9.88s 応答時間（合計） 207.38s 応答時間（最大） 47.10s 不正解: 10 指示に従っていない: 3 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 3.4 コーディング : 5.6 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 : 4.3 指示追従 : 6.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#51#51	Claude Opus 5low	9.0	Anthropic	$2.350	9.87s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 84.1% 不安定なテスト 1 入力トークン 352,845 出力トークン 16,553 推論トークン 7,007 応答時間（平均） 9.87s 応答時間（合計） 226.95s 応答時間（最大） 73.15s 不正解: 4 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 : 7.8 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 : 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
#355#355	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
モデルカードを見る合計テスト数 18 誤答テスト数 4 信頼性該当なし試行ごとの合格率 63.8% 不安定なテスト 1 入力トークン 35,955 出力トークン 1,647 推論トークン 91,565 応答時間（平均） 9.75s 応答時間（合計） 175.48s 応答時間（最大） 31.36s 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 : 8.7 コーディング : 3.3 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 0.0
#400#400	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 46.4% 不安定なテスト 5 入力トークン 721,952 出力トークン 294,668 推論トークン 305,374 応答時間（平均） 9.69s 応答時間（合計） 155.07s 応答時間（最大） 35.28s 不正解: 4 API エラー: 2 余分な書式: 2 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 : 6.9 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.8 指示追従 : 9.8 パズル解決 : 6.7 ツール呼び出し : 3.0 雑学 : 0.0
#284#284	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 9 入力トークン 277,028 出力トークン 11,965 推論トークン 31,238 応答時間（平均） 9.69s 応答時間（合計） 222.83s 応答時間（最大） 77.99s 不正解: 10 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 : 8.2 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.7 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
#285#285	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
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 43.5% 不安定なテスト 2 入力トークン 278,866 出力トークン 82,069 推論トークン 0 応答時間（平均） 9.66s 応答時間（合計） 222.07s 応答時間（最大） 106.86s 不正解: 10 余分な書式: 2 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 : 3.5 コーディング : 5.6 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 : 5.1 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
#305#305	Seed 2.1 Turbonone	5.7	Bytedance Seed	$0.182	9.65s
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 52.2% 不安定なテスト 3 入力トークン 298,242 出力トークン 13,105 推論トークン 0 応答時間（平均） 9.65s 応答時間（合計） 221.91s 応答時間（最大） 71.45s 不正解: 12 回答なし: 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 : 4.5 複合 : 3.8 データ解析と抽出 : 7.1 ドメイン特化 : 7.7 汎用知能 : 5.0 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

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