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）
#55#55	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
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 9.9 試行ごとの合格率 75.4% 不安定なテスト 5 入力トークン 277,967 出力トークン 9,240 推論トークン 383,606 応答時間（平均） 28.15s 応答時間（合計） 647.40s 応答時間（最大） 192.00s 不正解: 4 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 : 10.0 反AIトリック : 7.1 コーディング : 10.0 複合 : 8.0 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 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#82#82	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
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 9.9 試行ごとの合格率 82.6% 不安定なテスト 6 入力トークン 296,001 出力トークン 8,105 推論トークン 600,178 応答時間（平均） 49.88s 応答時間（合計） 1147.24s 応答時間（最大） 310.51s 不正解: 3 指示に従っていない: 2 回答なし: 2 API エラー: 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 : 8.4 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.5 指示追従 : 8.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#85#85	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 9.9 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 287,538 出力トークン 118,266 推論トークン 346,758 応答時間（平均） 97.70s 応答時間（合計） 2247.18s 応答時間（最大） 576.79s 不正解: 4 回答なし: 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 : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 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 : 10.0 雑学 : 3.0
#113#113	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
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 9.9 試行ごとの合格率 89.9% 不安定なテスト 3 入力トークン 187,331 出力トークン 7,555 推論トークン 159,931 応答時間（平均） 16.64s 応答時間（合計） 382.64s 応答時間（最大） 108.60s 不正解: 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 : 2.8 反AIトリック : 10.0 コーディング : 8.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 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 : 10.0
#120#120	Qwen3.7 Maxnone	7.9	Qwen	$0.451 ↓	7.85s
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 9.9 試行ごとの合格率 69.6% 不安定なテスト 0 入力トークン 243,553 出力トークン 20,670 推論トークン 0 応答時間（平均） 7.85s 応答時間（合計） 180.65s 応答時間（最大） 80.34s 不正解: 7 エージェントタスク : 10.0 反AIトリック : 6.5 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 : 7.7 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
#171#171	Gemini 3.8 Flashlow	7.2	Google	$0.323	7.54s
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 9.9 試行ごとの合格率 81.2% 不安定なテスト 5 入力トークン 215,836 出力トークン 9,452 推論トークン 33,289 応答時間（平均） 7.54s 応答時間（合計） 173.36s 応答時間（最大） 67.18s 不正解: 6 回答なし: 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 : 5.4 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 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 : 10.0
#179#179	Qwen3.8 Flash Nextxhigh	7.1	Qwen	~$0.195	102.66s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 9.9 試行ごとの合格率 72.5% 不安定なテスト 6 入力トークン 301,749 出力トークン 1,033 推論トークン 620,023 応答時間（平均） 102.66s 応答時間（合計） 2361.10s 応答時間（最大） 674.08s 不正解: 6 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 : 4.7 反AIトリック : 10.0 コーディング : 7.4 複合 : 7.3 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#207#207	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
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 58.0% 不安定なテスト 2 入力トークン 150,033 出力トークン 22,347 推論トークン 402,143 応答時間（平均） 142.76s 応答時間（合計） 3283.43s 応答時間（最大） 491.42s 不正解: 5 指示に従っていない: 3 回答なし: 2 余分な書式: 1 エージェントタスク : 3.0 反AIトリック : 8.3 コーディング : 5.8 複合 : 10.0 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 : 8.9 ツール呼び出し : 10.0 雑学 : 3.0
#222#222	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
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 9.9 試行ごとの合格率 55.1% 不安定なテスト 5 入力トークン 262,387 出力トークン 7,344 推論トークン 338,881 応答時間（平均） 115.00s 応答時間（合計） 2645.11s 応答時間（最大） 560.39s 不正解: 8 API エラー: 2 指示に従っていない: 1 回答なし: 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 : 6.6 複合 : 10.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#230#230	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
#241#241	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
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 60.9% 不安定なテスト 5 入力トークン 299,558 出力トークン 33,248 推論トークン 374,819 応答時間（平均） 133.93s 応答時間（合計） 3080.36s 応答時間（最大） 519.91s 不正解: 6 指示に従っていない: 2 API エラー: 1 余分な書式: 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 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 9.8 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#282#282	Apodex 1.1 Minimedium	6.0	Apodex	$0.000	32.68s
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 9.9 試行ごとの合格率 68.1% 不安定なテスト 9 入力トークン 293,112 出力トークン 152,376 推論トークン 357,890 応答時間（平均） 32.68s 応答時間（合計） 751.72s 応答時間（最大） 115.57s 不正解: 9 指示に従っていない: 2 回答なし: 1 エージェントタスク : 3.4 反AIトリック : 10.0 コーディング : 4.3 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 5.1 指示追従 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#290#290	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
#319#319	GPT-6 Lunanone	5.5	OpenAI	$0.026	20.48s
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 40.6% 不安定なテスト 5 入力トークン 222,357 出力トークン 6,855 推論トークン 0 応答時間（平均） 20.48s 応答時間（合計） 470.96s 応答時間（最大） 98.62s 不正解: 13 API エラー: 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 : 3.8 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 5.1 指示追従 : 6.2 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#334#334	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 9.9 試行ごとの合格率 53.6% 不安定なテスト 2 入力トークン 106,348 出力トークン 19,257 推論トークン 0 応答時間（平均） 7.82s 応答時間（合計） 172.04s 応答時間（最大） 102.62s 不正解: 11 エージェントタスク : 0.0 反AIトリック : 5.2 コーディング : 3.8 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 : 4.3 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
#350#350	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
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 9.9 試行ごとの合格率 44.9% 不安定なテスト 8 入力トークン 235,438 出力トークン 8,136 推論トークン 28,734 応答時間（平均） 4.92s 応答時間（合計） 113.24s 応答時間（最大） 84.47s 不正解: 13 指示に従っていない: 2 API エラー: 1 回答なし: 1 エージェントタスク : 5.0 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
#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
#367#367	Mercury 2.5 Previewdefault	4.7	Inception	$0.023 ↑	7.05s
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 9.9 試行ごとの合格率 29.0% 不安定なテスト 5 入力トークン 250,541 出力トークン 86,367 推論トークン 0 応答時間（平均） 7.05s 応答時間（合計） 162.25s 応答時間（最大） 84.96s 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 エージェントタスク : 3.9 反AIトリック : 3.8 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#37#37	Qwen3.8 Max (0902)high	9.1	Qwen	$3.306	186.06s
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 9.8 試行ごとの合格率 87.0% 不安定なテスト 3 入力トークン 328,637 出力トークン 8,619 推論トークン 432,733 応答時間（平均） 186.06s 応答時間（合計） 4279.49s 応答時間（最大） 912.78s 不正解: 2 指示に従っていない: 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 : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.5 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
#62#62	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
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 9.8 試行ごとの合格率 78.3% 不安定なテスト 5 入力トークン 256,646 出力トークン 10,490 推論トークン 210,325 応答時間（平均） 77.44s 応答時間（合計） 1781.16s 応答時間（最大） 643.19s 不正解: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 6.9 コーディング : 8.2 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 : 7.3 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 3.0
#86#86	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
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 9.8 試行ごとの合格率 89.9% 不安定なテスト 1 入力トークン 176,208 出力トークン 6,093 推論トークン 96,598 応答時間（平均） 22.71s 応答時間（合計） 386.11s 応答時間（最大） 88.68s 不正解: 2 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 : 7.9 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 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 : 10.0
#99#99	Gemini 4 Argonlow	8.2	Google	$0.438	5.72s
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 9.8 試行ごとの合格率 79.7% 不安定なテスト 6 入力トークン 188,162 出力トークン 6,097 推論トークン 0 応答時間（平均） 5.72s 応答時間（合計） 131.67s 応答時間（最大） 60.87s 不正解: 5 API エラー: 2 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 : 8.7 コーディング : 10.0 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 : 10.0 パズル解決 : 8.7 ツール呼び出し : 4.7 雑学 : 3.0
#111#111	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 9.8 試行ごとの合格率 68.1% 不安定なテスト 3 入力トークン 482,754 出力トークン 62,455 推論トークン 141,067 応答時間（平均） 40.33s 応答時間（合計） 927.65s 応答時間（最大） 392.56s 不正解: 7 API エラー: 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 : 8.4 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#125#125	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
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 9.8 試行ごとの合格率 69.6% 不安定なテスト 2 入力トークン 324,691 出力トークン 181,251 推論トークン 506,441 応答時間（平均） 87.39s 応答時間（合計） 2010.08s 応答時間（最大） 665.85s 回答なし: 4 不正解: 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 : 10.0 コーディング : 8.2 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 2.8 雑学 : 3.0
#137#137	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 9.8 試行ごとの合格率 72.5% 不安定なテスト 5 入力トークン 269,143 出力トークン 6,833 推論トークン 785,200 応答時間（平均） 84.94s 応答時間（合計） 1953.70s 応答時間（最大） 527.47s 不正解: 4 回答なし: 3 API エラー: 1 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 : 10.0 コーディング : 5.9 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.5 指示追従 : 9.9 パズル解決 : 8.2 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