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）
#281#281	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
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 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 285,293 出力トークン 29,565 推論トークン 89,266 応答時間（平均） 31.58s 応答時間（合計） 536.78s 応答時間（最大） 203.90s 不正解: 10 指示に従っていない: 3 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 : 6.7 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 2.9 汎用知能 : 4.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 9.8 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
#298#298	Gemma 4 31Bnone	5.7	Google	$0.031 ↓	7.28s
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 270,970 出力トークン 15,499 推論トークン 0 応答時間（平均） 7.28s 応答時間（合計） 152.84s 応答時間（最大） 44.73s 不正解: 11 API エラー: 2 指示に従っていない: 1 エージェントタスク : 3.9 反AIトリック : 6.5 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 : 5.3 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 6.5 ツール呼び出し : 3.0 雑学 : 3.0
#311#311	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
#315#315	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
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 39.1% 不安定なテスト 0 入力トークン 281,460 出力トークン 13,791 推論トークン 0 応答時間（平均） 5.05s 応答時間（合計） 116.11s 応答時間（最大） 47.42s 不正解: 12 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 : 6.5 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 : 7.7 汎用知能 : 4.2 指示追従 : 6.3 パズル解決 : 6.0 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
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
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 7,608 出力トークン 17,529 推論トークン 34,499 応答時間（平均） 48.94s 応答時間（合計） 831.92s 応答時間（最大） 143.82s API エラー: 7 不正解: 5 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 : 9.2 コーディング : 5.3 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 3.0 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
#370#370	Owl Alphamedium	4.6	Openrouter	$0.000	11.95s
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 36.2% 不安定なテスト 1 入力トークン 43,478 出力トークン 2,974 推論トークン 0 応答時間（平均） 11.95s 応答時間（合計） 250.88s 応答時間（最大） 58.63s 不正解: 10 指示に従っていない: 2 API エラー: 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 : 5.4 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#376#376	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
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 36.2% 不安定なテスト 1 入力トークン 40,852 出力トークン 3,314 推論トークン 0 応答時間（平均） 2.44s 応答時間（合計） 48.81s 応答時間（最大） 6.81s 不正解: 10 API エラー: 1 余分な書式: 1 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 : 3.6 コーディング : 4.4 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 : 4.1 指示追従 : 6.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#413#413	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
モデルカードを見る合計テスト数 19 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 11,793 出力トークン 1,809 推論トークン 265,466 応答時間（平均） 28.69s 応答時間（合計） 459.00s 応答時間（最大） 138.35s 不正解: 7 API エラー: 3 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 : 8.7 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 : 4.3 指示追従 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#205#205	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 37.7% 不安定なテスト 2 入力トークン 463,872 出力トークン 219,122 推論トークン 0 応答時間（平均） 26.52s 応答時間（合計） 609.94s 応答時間（最大） 480.96s 不正解: 14 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 : 3.5 コーディング : 5.5 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 : 10.0 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
#244#244	LongCat 2.0none	6.4	Meituan	$0.104	8.50s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 3 入力トークン 276,199 出力トークン 17,473 推論トークン 0 応答時間（平均） 8.50s 応答時間（合計） 195.60s 応答時間（最大） 81.77s 不正解: 13 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 : 6.1 反AIトリック : 4.8 コーディング : 5.5 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 : 6.5 パズル解決 : 4.0 ツール呼び出し : 10.0 雑学 : 3.0
#246#246	Qwen3.6 27Bnone	6.3	Qwen	$0.148 ↓	12.71s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 6 入力トークン 250,919 出力トークン 20,816 推論トークン 0 応答時間（平均） 12.71s 応答時間（合計） 292.29s 応答時間（最大） 156.31s 不正解: 11 指示に従っていない: 2 無効なツール呼び出し: 2 エージェントタスク : 10.0 反AIトリック : 3.8 コーディング : 5.5 複合 : 3.2 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 5.2 指示追従 : 6.2 パズル解決 : 5.3 ツール呼び出し : 9.5 雑学 : 3.0
#256#256	Trinity Large Thinkinglow	6.3	Arcee AI	$0.918 ↑	95.16s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 6 入力トークン 347,980 出力トークン 121,898 推論トークン 720,302 応答時間（平均） 95.16s 応答時間（合計） 2188.74s 応答時間（最大） 540.96s 不正解: 7 指示に従っていない: 3 API エラー: 2 無効なツール呼び出し: 2 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 : 5.3 複合 : 5.2 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#267#267	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 49.3% 不安定なテスト 7 入力トークン 319,352 出力トークン 158,447 推論トークン 875,524 応答時間（平均） 84.01s 応答時間（合計） 1932.24s 応答時間（最大） 525.14s 不正解: 9 指示に従っていない: 4 無効なツール呼び出し: 2 エージェントタスク : 6.1 反AIトリック : 6.8 コーディング : 7.5 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 5.2 ツール呼び出し : 10.0 雑学 : 3.0
#270#270	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.216 ↓	18.49s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 9.8 試行ごとの合格率 44.9% 不安定なテスト 5 入力トークン 299,984 出力トークン 69,664 推論トークン 0 応答時間（平均） 18.49s 応答時間（合計） 425.33s 応答時間（最大） 206.05s 不正解: 12 指示に従っていない: 2 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 : 4.8 コーディング : 3.9 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 : 4.8 指示追従 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#272#272	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 8.9 試行ごとの合格率 37.7% 不安定なテスト 1 入力トークン 259,708 出力トークン 16,567 推論トークン 33,580 応答時間（平均） 50.47s 応答時間（合計） 1160.91s 応答時間（最大） 557.96s 不正解: 9 タイムアウト: 4 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 : 8.4 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 : 5.3 汎用知能 : 4.0 指示追従 : 3.8 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#279#279	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 39.1% 不安定なテスト 3 入力トークン 314,113 出力トークン 17,558 推論トークン 0 応答時間（平均） 7.49s 応答時間（合計） 172.19s 応答時間（最大） 75.99s 不正解: 14 回答なし: 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 : 5.6 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 : 10.0 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#285#285	Nemotron 3 Ultranone	5.9	NVIDIA	$0.164 ↕	6.76s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 40.6% 不安定なテスト 2 入力トークン 275,381 出力トークン 11,544 推論トークン 0 応答時間（平均） 6.76s 応答時間（合計） 155.50s 応答時間（最大） 70.17s 不正解: 12 API エラー: 2 指示に従っていない: 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 : 5.5 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 : 10.0 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#287#287	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 43.5% 不安定なテスト 3 入力トークン 266,004 出力トークン 9,077 推論トークン 0 応答時間（平均） 5.71s 応答時間（合計） 131.36s 応答時間（最大） 65.25s 不正解: 14 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 6.5 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 : 3.0 汎用知能 : 6.1 指示追従 : 7.1 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#288#288	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 40.6% 不安定なテスト 3 入力トークン 213,564 出力トークン 7,381 推論トークン 0 応答時間（平均） 4.11s 応答時間（合計） 94.52s 応答時間（最大） 57.98s 不正解: 12 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 : 5.0 反AIトリック : 4.8 コーディング : 5.5 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 : 8.5 パズル解決 : 5.3 ツール呼び出し : 9.6 雑学 : 3.0
#293#293	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 53.6% 不安定なテスト 10 入力トークン 314,436 出力トークン 13,578 推論トークン 294,343 応答時間（平均） 56.55s 応答時間（合計） 961.32s 応答時間（最大） 227.89s 不正解: 11 指示に従っていない: 2 回答なし: 1 タイムアウト: 1 エージェントタスク : 4.7 反AIトリック : 6.5 コーディング : 7.0 複合 : 6.4 データ解析と抽出 : 3.7 ドメイン特化 : 3.4 汎用知能 : 4.1 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#297#297	Dots 3 Note Previewmedium	5.7	Dots Studio	$0.000	70.32s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 58.0% 不安定なテスト 9 入力トークン 208,598 出力トークン 120,583 推論トークン 590,044 応答時間（平均） 70.32s 応答時間（合計） 1617.43s 応答時間（最大） 459.19s 不正解: 10 指示に従っていない: 2 回答なし: 2 余分な書式: 1 エージェントタスク : 4.7 反AIトリック : 8.7 コーディング : 4.2 複合 : 9.9 データ解析と抽出 : 4.5 ドメイン特化 : 3.6 汎用知能 : 3.8 指示追従 : 8.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#299#299	Space Bunny Alphalow	5.7	Stealth	$0.000	30.63s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 53.6% 不安定なテスト 10 入力トークン 289,086 出力トークン 194,450 推論トークン 0 応答時間（平均） 30.63s 応答時間（合計） 704.47s 応答時間（最大） 340.88s 不正解: 13 指示に従っていない: 2 エージェントタスク : 4.7 反AIトリック : 6.9 コーディング : 5.6 複合 : 3.8 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 : 4.4 パズル解決 : 7.9 ツール呼び出し : 4.7 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