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）
#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
#306#306	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
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 9.5 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 229,346 出力トークン 18,597 推論トークン 129,338 応答時間（平均） 56.40s 応答時間（合計） 1184.46s 応答時間（最大） 431.98s 不正解: 6 API エラー: 4 指示に従っていない: 3 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 : 8.3 コーディング : 3.1 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 : 4.1 指示追従 : 7.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#309#309	Gemini 2.5 Flashnone	5.5	Google	$0.017	6.00s
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 1 入力トークン 39,886 出力トークン 1,890 推論トークン 0 応答時間（平均） 6.00s 応答時間（合計） 138.04s 応答時間（最大） 118.00s 不正解: 13 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 : 3.0 反AIトリック : 3.0 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 : 3.6 汎用知能 : 5.0 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
#316#316	North Mini Codemedium	5.4	Cohere	$0.000	140.39s
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 42.0% 不安定なテスト 4 入力トークン 166,347 出力トークン 423,884 推論トークン 1,394,387 応答時間（平均） 140.39s 応答時間（合計） 3229.07s 応答時間（最大） 786.72s 不正解: 10 余分な書式: 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 : 3.9 反AIトリック : 8.4 コーディング : 4.5 複合 : 2.9 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 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#320#320	Ember-1none	5.4	Fireworks	$0.786	22.65s
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 8.8 試行ごとの合格率 43.5% 不安定なテスト 4 入力トークン 202,617 出力トークン 11,832 推論トークン 0 応答時間（平均） 22.65s 応答時間（合計） 520.91s 応答時間（最大） 93.12s 不正解: 10 API エラー: 5 エージェントタスク : 6.1 反AIトリック : 5.2 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.4 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 3.0 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
#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
#372#372	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
#402#402	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 29.0% 不安定なテスト 1 入力トークン 40,597 出力トークン 1,657 推論トークン 0 応答時間（平均） 1.19s 応答時間（合計） 21.43s 応答時間（最大） 6.48s 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 : 0.0 反AIトリック : 4.0 コーディング : 1.8 複合 : 1.5 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 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#406#406	Hunter Alphadefault	3.5	OpenRouter	$0.000	4.70s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 36.2% 不安定なテスト 4 入力トークン 34,329 出力トークン 2,264 推論トークン 0 応答時間（平均） 4.70s 応答時間（合計） 79.86s 応答時間（最大） 15.17s 不正解: 9 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 : 1.0 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 : 6.1 指示追従 : 6.4 パズル解決 : 5.8 ツール呼び出し : 10.0 雑学 : 0.0
#407#407	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
モデルカードを見る合計テスト数 18 誤答テスト数 12 信頼性該当なし試行ごとの合格率 26.1% 不安定なテスト 0 入力トークン 41,313 出力トークン 1,923 推論トークン 0 応答時間（平均） 1.11s 応答時間（合計） 19.96s 応答時間（最大） 6.04s 不正解: 10 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 : 0.0 反AIトリック : 4.8 コーディング : 1.1 複合 : 1.5 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 : 6.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 0.0
#421#421	d1-ultradefault	2.7	Liquid	$0.003	531ms
モデルカードを見る合計テスト数 12 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 20.3% 不安定なテスト 1 入力トークン 55,956 出力トークン 0 推論トークン 0 応答時間（平均） 531ms 応答時間（合計） 6.38s 応答時間（最大） 697ms 不正解: 7 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 : 4.0 コーディング : 5.3 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#425#425	Decider V1.1 27Bdefault	2.6	Perplexity	$0.002	320ms
モデルカードを見る合計テスト数 12 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 17.4% 不安定なテスト 0 入力トークン 73,557 出力トークン 69 推論トークン 0 応答時間（平均） 320ms 応答時間（合計） 3.84s 応答時間（最大） 491ms 不正解: 8 エージェントタスク : 0.0 反AIトリック : 4.0 コーディング : 4.9 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#426#426	Drex v1.5default	2.4	Nace AI	$0.002	986ms
モデルカードを見る合計テスト数 12 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 17.4% 不安定なテスト 0 入力トークン 42,804 出力トークン 27,468 推論トークン 0 応答時間（平均） 986ms 応答時間（合計） 11.84s 応答時間（最大） 1.38s 不正解: 8 エージェントタスク : 0.0 反AIトリック : 4.0 コーディング : 4.5 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#429#429	Jev 1.14default	2.3	Typesafe	$0.003	377ms
モデルカードを見る合計テスト数 12 誤答テスト数 8 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 67,092 出力トークン 18,927 推論トークン 0 応答時間（平均） 377ms 応答時間（合計） 4.52s 応答時間（最大） 546ms 不正解: 7 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 : 4.0 コーディング : 2.7 複合 : 0.0 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
モデルカードを見る合計テスト数 22 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 6 入力トークン 37,449 出力トークン 1,677 推論トークン 116,703 応答時間（平均） 38.01s 応答時間（合計） 798.15s 応答時間（最大） 309.02s 不正解: 9 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: 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 : 3.7 複合 : 1.5 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 4.2 指示追従 : 9.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#409#409	Laguna Xs.2medium	3.3	Poolside	$0.015 ↕	6.73s
モデルカードを見る合計テスト数 19 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 6 入力トークン 39,481 出力トークン 54,218 推論トークン 0 応答時間（平均） 6.73s 応答時間（合計） 100.98s 応答時間（最大） 29.11s 不正解: 6 API エラー: 4 回答なし: 2 無効なツール呼び出し: 1 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 : 2.1 複合 : 1.5 データ解析と抽出 : 7.1 ドメイン特化 : 4.1 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 : 4.7 雑学 : 3.0
#232#232	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
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 10.0 試行ごとの合格率 36.2% 不安定なテスト 2 入力トークン 405,921 出力トークン 97,112 推論トークン 0 応答時間（平均） 14.79s 応答時間（合計） 340.25s 応答時間（最大） 212.63s 不正解: 13 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 : 10.0 反AIトリック : 4.8 コーディング : 3.7 複合 : 5.2 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 : 3.8 ツール呼び出し : 10.0 雑学 : 3.0
#269#269	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
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 10.0 試行ごとの合格率 31.9% 不安定なテスト 1 入力トークン 236,599 出力トークン 11,561 推論トークン 4,975 応答時間（平均） 5.30s 応答時間（合計） 121.91s 応答時間（最大） 48.02s 不正解: 13 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 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 : 4.5 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 : 6.3 パズル解決 : 5.6 ツール呼び出し : 3.0 雑学 : 3.0
#283#283	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
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 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 388,929 出力トークン 57,714 推論トークン 0 応答時間（平均） 7.63s 応答時間（合計） 175.42s 応答時間（最大） 93.47s 不正解: 13 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 : 5.0 反AIトリック : 3.1 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 : 5.3 汎用知能 : 10.0 指示追従 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#284#284	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
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 10.0 試行ごとの合格率 40.6% 不安定なテスト 5 入力トークン 393,560 出力トークン 30,466 推論トークン 311 応答時間（平均） 8.60s 応答時間（合計） 197.73s 応答時間（最大） 64.73s 不正解: 9 余分な書式: 4 回答なし: 2 指示に従っていない: 1 エージェントタスク : 4.7 反AIトリック : 5.3 コーディング : 4.6 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 6.4 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#286#286	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
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 10.0 試行ごとの合格率 36.2% 不安定なテスト 3 入力トークン 410,787 出力トークン 117,742 推論トークン 0 応答時間（平均） 14.70s 応答時間（合計） 338.13s 応答時間（最大） 186.24s 不正解: 14 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 : 4.7 反AIトリック : 3.0 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 : 6.3 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#289#289	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
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 9.7 試行ごとの合格率 36.2% 不安定なテスト 3 入力トークン 337,756 出力トークン 292,779 推論トークン 0 応答時間（平均） 16.63s 応答時間（合計） 382.53s 応答時間（最大） 247.66s 不正解: 11 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 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 3.7 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 : 5.5 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
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
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 10.0 試行ごとの合格率 33.3% 不安定なテスト 2 入力トークン 219,404 出力トークン 9,372 推論トークン 0 応答時間（平均） 3.89s 応答時間（合計） 89.48s 応答時間（最大） 43.73s 不正解: 15 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 : 3.2 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 : 4.4 指示追従 : 6.5 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#301#301	Solar Pro 4none	5.6	Upstage	$0.022	8.14s
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 10.0 試行ごとの合格率 31.9% 不安定なテスト 1 入力トークン 305,664 出力トークン 13,249 推論トークン 0 応答時間（平均） 8.14s 応答時間（合計） 187.23s 応答時間（最大） 69.17s 不正解: 14 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 : 3.0 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 : 6.4 パズル解決 : 5.4 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