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）
#261#261	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
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 22.7% 不安定なテスト 5 入力トークン 118,752 出力トークン 67,823 推論トークン 383,885 応答時間（平均） 85.34s 応答時間（合計） 1877.49s 応答時間（最大） 814.73s 不正解: 15 API エラー: 1 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 反AIトリック : 3.4 コーディング : 3.8 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 : 4.8 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#268#268	Hy4 previewnone	4.8	Tencent	$0.041	39.24s
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 4.3 試行ごとの合格率 16.7% 不安定なテスト 1 入力トークン 26,376 出力トークン 7,306 推論トークン 0 応答時間（平均） 39.24s 応答時間（合計） 863.30s 応答時間（最大） 95.32s 不正解: 9 API エラー: 7 指示に従っていない: 2 余分な書式: 1 反AIトリック : 3.3 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 8.7 ドメイン特化 : 6.8 汎用知能 : 5.1 指示追従 : 7.0 パズル解決 : 4.6 ツール呼び出し : 3.0 雑学 : 3.0
#283#283	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
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 25.8% 不安定なテスト 4 入力トークン 148,203 出力トークン 19,069 推論トークン 0 応答時間（平均） 9.07s 応答時間（合計） 154.19s 応答時間（最大） 81.80s 不正解: 14 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 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
#291#291	Granite 4.2 8Bnone	4.3	IBM Granite	$0.026	86.27s
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 8.6 試行ごとの合格率 16.7% 不安定なテスト 2 入力トークン 57,786 出力トークン 130,805 推論トークン 0 応答時間（平均） 86.27s 応答時間（合計） 1897.96s 応答時間（最大） 747.17s 不正解: 11 余分な書式: 4 タイムアウト: 3 指示に従っていない: 1 反AIトリック : 4.9 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 10.0 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
#304#304	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
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 6.0 試行ごとの合格率 25.8% 不安定なテスト 5 入力トークン 17,195 出力トークン 46,735 推論トークン 366,707 応答時間（平均） 107.51s 応答時間（合計） 1720.15s 応答時間（最大） 569.97s タイムアウト: 11 回答なし: 3 不正解: 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 : 5.1 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 2.8 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 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
#285#285	Laguna S 2.1none	4.5	Poolside	$0.022 ↓	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 15.2% 不安定なテスト 3 入力トークン 125,604 出力トークン 57,634 推論トークン 0 応答時間（平均） 11.67s 応答時間（合計） 256.71s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 1 回答なし: 1 反AIトリック : 3.1 コーディング : 3.4 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 : 5.0 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#297#297	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 9.8 試行ごとの合格率 9.1% 不安定なテスト 0 入力トークン 184,579 出力トークン 110,071 推論トークン 0 応答時間（平均） 14.02s 応答時間（合計） 294.46s 応答時間（最大） 240.61s 不正解: 13 指示に従っていない: 4 API エラー: 1 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 : 4.2 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 3.1 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#298#298	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.44s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 9.1% 不安定なテスト 0 入力トークン 113,836 出力トークン 5,996 推論トークン 0 応答時間（平均） 1.44s 応答時間（合計） 31.75s 応答時間（最大） 16.67s 不正解: 13 指示に従っていない: 4 無効なツール呼び出し: 2 余分な書式: 1 反AIトリック : 4.9 コーディング : 4.5 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 : 4.0 指示追従 : 3.6 パズル解決 : 3.2 ツール呼び出し : 10.0 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