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）
#138#138	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 71.0% 不安定なテスト 7 入力トークン 298,334 出力トークン 10,328 推論トークン 55,846 応答時間（平均） 7.71s 応答時間（合計） 177.29s 応答時間（最大） 47.70s 不正解: 5 余分な書式: 2 指示に従っていない: 2 回答なし: 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 : 6.3 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.8 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
#283#283	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 1 入力トークン 123,273 出力トークン 19,362 推論トークン 0 応答時間（平均） 7.67s 応答時間（合計） 122.78s 応答時間（最大） 51.18s 不正解: 5 余分な書式: 4 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 : 4.8 コーディング : 5.5 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 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#291#291	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
#231#231	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
#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
#115#115	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
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 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 176,890 出力トークン 5,688 推論トークン 18,525 応答時間（平均） 7.58s 応答時間（合計） 174.39s 応答時間（最大） 54.57s 不正解: 8 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 : 6.6 複合 : 8.7 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 4.7 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
#200#200	Claude Opus 4.8none	6.9	Anthropic	$2.334	7.54s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 2 入力トークン 345,059 出力トークン 24,343 推論トークン 0 応答時間（平均） 7.54s 応答時間（合計） 173.31s 応答時間（最大） 65.07s 不正解: 5 余分な書式: 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 : 5.0 反AIトリック : 6.5 コーディング : 5.5 複合 : 9.8 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#75#75	Claude Haiku 5.5low	8.6	Anthropic	$0.061	7.51s
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 10.0 試行ごとの合格率 76.8% 不安定なテスト 3 入力トークン 296,301 出力トークン 10,672 推論トークン 50,978 応答時間（平均） 7.51s 応答時間（合計） 172.74s 応答時間（最大） 44.43s 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 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 : 7.9 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 : 4.6 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
#287#287	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
#199#199	Claude Sonnet 5.5low	6.9	Anthropic	$0.909	7.46s
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 10.0 試行ごとの合格率 46.4% 不安定なテスト 2 入力トークン 291,853 出力トークン 24,116 推論トークン 8,327 応答時間（平均） 7.46s 応答時間（合計） 171.47s 応答時間（最大） 46.61s 余分な書式: 5 指示に従っていない: 5 無効なツール呼び出し: 1 回答なし: 1 不正解: 1 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 : 3.2 複合 : 7.9 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#184#184	GPT-5.2 Chatdefault	7.0	OpenAI	$0.594	7.43s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 4 入力トークン 101,104 出力トークン 10,414 推論トークン 19,328 応答時間（平均） 7.43s 応答時間（合計） 163.35s 応答時間（最大） 38.52s 不正解: 6 API エラー: 2 指示に従っていない: 1 回答なし: 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 : 8.8 複合 : 7.3 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#180#180	GLM 5.3 FlashXmedium	7.1	Z.ai	$0.114	7.37s
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 10.0 試行ごとの合格率 69.6% 不安定なテスト 8 入力トークン 205,100 出力トークン 8,639 推論トークン 21,409 応答時間（平均） 7.37s 応答時間（合計） 169.54s 応答時間（最大） 74.39s 不正解: 8 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 : 10.0 反AIトリック : 7.3 コーディング : 6.0 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.4 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
#307#307	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
#16#16	GPT-6.1 Sollow	9.6	OpenAI	$0.460	7.15s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 92.8% 不安定なテスト 1 入力トークン 163,900 出力トークン 4,958 推論トークン 8,180 応答時間（平均） 7.15s 応答時間（合計） 164.47s 応答時間（最大） 46.57s 不正解: 2 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 : 10.0 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 : 2.8
#386#386	Nemotron 3 Supernone	4.5	NVIDIA	$0.016 ↑	7.11s
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 9.5 試行ごとの合格率 27.5% 不安定なテスト 3 入力トークン 146,361 出力トークン 9,073 推論トークン 1 応答時間（平均） 7.11s 応答時間（合計） 163.46s 応答時間（最大） 30.51s 不正解: 16 指示に従っていない: 2 エージェントタスク : 2.8 反AIトリック : 4.8 コーディング : 3.3 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 : 4.6 指示追従 : 6.3 パズル解決 : 5.5 ツール呼び出し : 4.7 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
#14#14	GPT-6 Astralow	9.6	OpenAI	$2.160	7.01s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 9.9 試行ごとの合格率 91.3% 不安定なテスト 0 入力トークン 159,023 出力トークン 4,935 推論トークン 6,454 応答時間（平均） 7.01s 応答時間（合計） 161.20s 応答時間（最大） 49.16s 不正解: 2 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 : 10.0 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
#198#198	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
#52#52	Gemini 3.6 Flashlow	9.0	Google	$0.363 ↓	6.82s
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 10.0 試行ごとの合格率 89.9% 不安定なテスト 3 入力トークン 197,570 出力トークン 6,364 推論トークン 50,704 応答時間（平均） 6.82s 応答時間（合計） 156.81s 応答時間（最大） 48.53s 不正解: 4 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 : 7.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 7.6 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#203#203	Inklinglow	6.8	Thinkingmachines	$0.293 ↓	6.81s
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 4 入力トークン 213,901 出力トークン 9,623 推論トークン 12,414 応答時間（平均） 6.81s 応答時間（合計） 156.70s 応答時間（最大） 44.24s 不正解: 8 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 : 8.3 コーディング : 5.1 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 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#186#186	Gemini 3.1 Flash Lite Previewmedium	7.0	Google	$0.158	6.78s
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 10.0 試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 272,221 出力トークン 12,345 推論トークン 47,189 応答時間（平均） 6.78s 応答時間（合計） 155.96s 応答時間（最大） 54.91s 不正解: 7 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 : 9.1 コーディング : 5.5 複合 : 7.2 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#293#293	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
#418#418	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
#204#204	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

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