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）
#193#193	GPT-5.6 Lunalow	6.9	OpenAI	$0.049 ↓	6.96s
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 56.5% 不安定なテスト 5 入力トークン 202,680 出力トークン 9,230 推論トークン 18,771 応答時間（平均） 6.96s 応答時間（合計） 160.19s 応答時間（最大） 45.74s 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 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 : 5.5 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.0 指示追従 : 8.5 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#352#352	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
#337#337	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
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 9.6 試行ごとの合格率 43.5% 不安定なテスト 3 入力トークン 51,369 出力トークン 8,008 推論トークン 58,568 応答時間（平均） 8.32s 応答時間（合計） 191.40s 応答時間（最大） 48.19s 不正解: 10 API エラー: 2 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 3.0 反AIトリック : 8.7 コーディング : 3.6 複合 : 6.5 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 : 10.0 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#140#140	Qwen3.8 Flash Nextmedium	7.6	Qwen	~$0.047	24.79s
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 75.4% 不安定なテスト 6 入力トークン 278,792 出力トークン 1,695 推論トークン 142,270 応答時間（平均） 24.79s 応答時間（合計） 570.26s 応答時間（最大） 159.62s 不正解: 6 指示に従っていない: 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 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#94#94	GPT-6 Lunamedium	8.3	OpenAI	$0.047	18.07s
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 3 入力トークン 203,193 出力トークン 5,751 推論トークン 47,410 応答時間（平均） 18.07s 応答時間（合計） 415.53s 応答時間（最大） 66.44s 不正解: 7 指示に従っていない: 1 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 : 6.6 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 : 4.4 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
#335#335	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
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 265,602 出力トークン 10,913 推論トークン 0 応答時間（平均） 3.12s 応答時間（合計） 71.87s 応答時間（最大） 45.46s 不正解: 17 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 : 3.4 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
#387#387	GLM 5 Turbonone	4.2	Z.ai	$0.047 ↑	2.82s
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 10.0 試行ごとの合格率 29.0% 不安定なテスト 2 入力トークン 32,525 出力トークン 1,815 推論トークン 0 応答時間（平均） 2.82s 応答時間（合計） 59.29s 応答時間（最大） 8.21s 不正解: 13 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 : 3.0 コーディング : 3.9 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 : 4.2 指示追従 : 6.5 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#345#345	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
#371#371	Mimo V2 PROdefault	4.6	Xiaomi	$0.045 ↓	2.27s
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 37.7% 不安定なテスト 3 入力トークン 39,344 出力トークン 2,352 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 45.50s 応答時間（最大） 6.58s 不正解: 11 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 : 3.5 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 : 4.3 指示追従 : 6.5 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#112#112	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
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 79.7% 不安定なテスト 6 入力トークン 342,163 出力トークン 1,518 推論トークン 133,777 応答時間（平均） 23.66s 応答時間（合計） 544.16s 応答時間（最大） 166.72s 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 : 6.1 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.7 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
#361#361	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 10.0 試行ごとの合格率 14.5% 不安定なテスト 3 入力トークン 287,445 出力トークン 99,097 推論トークン 0 応答時間（平均） 17.65s 応答時間（合計） 406.05s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 2 回答なし: 1 エージェントタスク : 5.4 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
#225#225	Mercury 2.5high	6.5	Inception	$0.044	7.62s
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 9.8 試行ごとの合格率 59.4% 不安定なテスト 4 入力トークン 358,562 出力トークン 4,266 推論トークン 189,410 応答時間（平均） 7.62s 応答時間（合計） 175.36s 応答時間（最大） 80.30s 不正解: 9 API エラー: 1 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 10.0 コーディング : 6.4 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 : 5.0 指示追従 : 6.5 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#333#333	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 不正解: 5 API エラー: 1 余分な書式: 1 指示に従っていない: 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 : 8.1 コーディング : 6.0 複合 : 4.9 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 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
#374#374	Hy3 previewlow	4.5	Tencent	$0.042 ↕	24.56s
モデルカードを見る合計テスト数 21 誤答テスト数 11 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 21,045 出力トークン 63,460 推論トークン 0 応答時間（平均） 24.56s 応答時間（合計） 368.35s 応答時間（最大） 78.74s API エラー: 7 不正解: 4 エージェントタスク : 0.0 反AIトリック : 8.3 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 : 5.9 汎用知能 : 3.0 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#322#322	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
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 34.8% 不安定なテスト 3 入力トークン 230,744 出力トークン 8,000 推論トークン 0 応答時間（平均） 3.78s 応答時間（合計） 86.83s 応答時間（最大） 53.77s 不正解: 15 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 : 5.0 反AIトリック : 4.8 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 : 3.6 汎用知能 : 5.0 指示追従 : 7.1 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
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 9.8 試行ごとの合格率 18.8% 不安定なテスト 1 入力トークン 307,670 出力トークン 70,427 推論トークン 0 応答時間（平均） 37.19s 応答時間（合計） 855.27s 応答時間（最大） 433.02s 不正解: 15 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 : 3.9 反AIトリック : 3.1 コーディング : 3.9 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 : 4.4 指示追従 : 6.5 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#305#305	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
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 9.7 試行ごとの合格率 43.5% 不安定なテスト 4 入力トークン 251,253 出力トークン 3,892 推論トークン 0 応答時間（平均） 46.97s 応答時間（合計） 1080.29s 応答時間（最大） 872.07s 不正解: 11 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 : 6.5 コーディング : 3.6 複合 : 3.0 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 : 10.0 パズル解決 : 4.6 ツール呼び出し : 10.0 雑学 : 3.0
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
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 65.2% 不安定なテスト 6 入力トークン 298,512 出力トークン 3,178 推論トークン 177,419 応答時間（平均） 7.61s 応答時間（合計） 175.08s 応答時間（最大） 86.84s 不正解: 6 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 タイムアウト: 1 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 6.7 複合 : 3.8 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 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#199#199	Mercury 2.5 Previewmedium	6.8	Inception	$0.039 ↑	6.66s
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 66.7% 不安定なテスト 1 入力トークン 397,291 出力トークン 6,355 推論トークン 143,752 応答時間（平均） 6.66s 応答時間（合計） 153.29s 応答時間（最大） 74.63s 不正解: 4 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 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 10.0 コーディング : 7.8 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#213#213	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
#380#380	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
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 9.1 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 226,872 出力トークン 133,268 推論トークン 0 応答時間（平均） 84.66s 応答時間（合計） 1947.17s 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 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 : 4.9 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
#323#323	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
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 9.2 試行ごとの合格率 33.3% 不安定なテスト 1 入力トークン 332,917 出力トークン 18,989 推論トークン 42,362 応答時間（平均） 58.20s 応答時間（合計） 1338.65s 応答時間（最大） 566.80s 不正解: 11 タイムアウト: 3 指示に従っていない: 1 回答なし: 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 : 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 : 3.0 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
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 9.7 試行ごとの合格率 63.8% 不安定なテスト 5 入力トークン 317,982 出力トークン 3,918 推論トークン 135,028 応答時間（平均） 7.74s 応答時間（合計） 178.07s 応答時間（最大） 107.89s 不正解: 9 API エラー: 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 : 10.0 コーディング : 5.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.4 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
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 23.2% 不安定なテスト 2 入力トークン 100,634 出力トークン 9,609 推論トークン 100 応答時間（平均） 1.18s 応答時間（合計） 27.14s 応答時間（最大） 9.00s 不正解: 17 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 : 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
#394#394	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
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 43.5% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 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 : 0.0 反AIトリック : 6.5 コーディング : 1.5 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 : 3.0 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

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