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）
#310#310	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
#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
#331#331	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
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 9.8 試行ごとの合格率 40.6% 不安定なテスト 5 入力トークン 50,423 出力トークン 4,144 推論トークン 110,510 応答時間（平均） 15.23s 応答時間（合計） 350.26s 応答時間（最大） 118.35s 不正解: 9 API エラー: 4 余分な書式: 3 エージェントタスク : 3.0 反AIトリック : 6.9 コーディング : 4.3 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 : 5.1 指示追従 : 9.8 パズル解決 : 3.5 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
#386#386	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
モデルカードを見る合計テスト数 20 誤答テスト数 14 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 131,652 出力トークン 16,869 推論トークン 53,081 応答時間（平均） 28.63s 応答時間（合計） 486.69s 応答時間（最大） 140.90s 不正解: 9 API エラー: 3 指示に従っていない: 2 エージェントタスク : 6.1 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 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 3.0 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
#405#405	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性該当なし試行ごとの合格率 27.5% 不安定なテスト 1 入力トークン 33,744 出力トークン 2,596 推論トークン 0 応答時間（平均） 1.27s 応答時間（合計） 22.82s 応答時間（最大） 3.70s 不正解: 9 API エラー: 3 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 : 0.0 反AIトリック : 6.6 コーディング : 3.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#439#439	Solar Decidedefault	1.0	Upstage	$0.009 ↑	6.01s
モデルカードを見る合計テスト数 7 誤答テスト数 5 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 47,586 出力トークン 51 推論トークン 0 応答時間（平均） 6.01s 応答時間（合計） 42.05s 応答時間（最大） 13.10s 不正解: 5 エージェントタスク : 0.0 反AIトリック : 0.8 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.7 ドメイン特化 : 4.3 汎用知能 : 0.0 指示追従 : 5.0 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#416#416	Laguna Xs.2default	3.1	Poolside	$0.004 ↕	806ms
モデルカードを見る合計テスト数 19 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 21.7% 不安定なテスト 0 入力トークン 33,675 出力トークン 2,826 推論トークン 0 応答時間（平均） 806ms 応答時間（合計） 12.09s 応答時間（最大） 2.01s 不正解: 8 API エラー: 4 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 : 3.0 コーディング : 0.8 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
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 42.0% 不安定なテスト 8 入力トークン 283,116 出力トークン 277,920 推論トークン 665,124 応答時間（平均） 74.52s 応答時間（合計） 1713.90s 応答時間（最大） 510.21s 不正解: 10 指示に従っていない: 4 無効なツール呼び出し: 2 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.7 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 4.7 ツール呼び出し : 10.0 雑学 : 3.0
#294#294	GPT-5.4 Mininone	5.7	OpenAI	$0.170	3.34s
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 30.4% 不安定なテスト 2 入力トークン 172,438 出力トークン 8,828 推論トークン 0 応答時間（平均） 3.34s 応答時間（合計） 76.84s 応答時間（最大） 41.98s 不正解: 14 指示に従っていない: 3 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 : 5.5 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 : 4.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 3.0 雑学 : 3.0
#295#295	Mistral Large 4none	5.7	Mistral	$0.290	20.43s
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 9.7 試行ごとの合格率 31.9% 不安定なテスト 2 入力トークン 257,872 出力トークン 54,388 推論トークン 0 応答時間（平均） 20.43s 応答時間（合計） 469.88s 応答時間（最大） 192.80s 不正解: 15 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 : 3.6 コーディング : 4.7 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 : 5.3 指示追従 : 6.5 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#304#304	Qwen3.5-35B-A3Bnone	5.6	Qwen	$0.120 ↓	18.31s
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 37.7% 不安定なテスト 4 入力トークン 218,886 出力トークン 135,768 推論トークン 0 応答時間（平均） 18.31s 応答時間（合計） 421.19s 応答時間（最大） 209.15s 不正解: 14 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 : 3.9 反AIトリック : 3.4 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 : 6.5 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
#307#307	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
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 30.4% 不安定なテスト 3 入力トークン 241,357 出力トークン 64,021 推論トークン 1 応答時間（平均） 26.34s 応答時間（合計） 605.78s 応答時間（最大） 238.89s 不正解: 13 指示に従っていない: 3 回答なし: 1 エージェントタスク : 4.7 反AIトリック : 4.6 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 : 5.4 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
#313#313	Seed-2.0-Codenone	5.4	Bytedance Seed	$0.257	17.51s
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 9.0 試行ごとの合格率 37.7% 不安定なテスト 6 入力トークン 319,668 出力トークン 32,069 推論トークン 0 応答時間（平均） 17.51s 応答時間（合計） 402.66s 応答時間（最大） 132.84s 不正解: 12 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 : 6.1 反AIトリック : 3.0 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 : 3.5 汎用知能 : 5.0 指示追従 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#318#318	MiMo-V2.6-Flashnone	5.4	Xiaomi	$0.060	6.20s
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 30.4% 不安定なテスト 2 入力トークン 276,697 出力トークン 75,728 推論トークン 0 応答時間（平均） 6.20s 応答時間（合計） 142.63s 応答時間（最大） 62.57s 不正解: 15 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 : 4.8 コーディング : 3.7 複合 : 3.7 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 : 6.5 パズル解決 : 3.7 ツール呼び出し : 10.0 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
#329#329	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
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 26.1% 不安定なテスト 0 入力トークン 123,993 出力トークン 12,777 推論トークン 0 応答時間（平均） 3.40s 応答時間（合計） 74.77s 応答時間（最大） 17.51s 不正解: 13 API エラー: 2 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 : 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 : 3.0 汎用知能 : 5.0 指示追従 : 4.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#336#336	Mercury 2.5low	5.1	Inception	$0.020	3.34s
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 9.8 試行ごとの合格率 37.7% 不安定なテスト 5 入力トークン 326,083 出力トークン 7,224 推論トークン 33,078 応答時間（平均） 3.34s 応答時間（合計） 76.80s 応答時間（最大） 47.06s 不正解: 14 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 : 6.9 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 : 3.6 汎用知能 : 4.4 指示追従 : 2.9 パズル解決 : 5.9 ツール呼び出し : 9.8 雑学 : 3.0
#341#341	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
#364#364	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
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 5 入力トークン 342,158 出力トークン 32,853 推論トークン 25,013 応答時間（平均） 22.44s 応答時間（合計） 516.03s 応答時間（最大） 122.50s 不正解: 9 API エラー: 3 余分な書式: 2 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 : 3.0 反AIトリック : 3.2 コーディング : 3.1 複合 : 4.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.7 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#373#373	Ling 2.6 Flashdefault	4.5	Inclusionai	$0.002 ↑	10.21s
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 9.6 試行ごとの合格率 29.0% 不安定なテスト 2 入力トークン 114,384 出力トークン 14,903 推論トークン 0 応答時間（平均） 10.21s 応答時間（合計） 214.31s 応答時間（最大） 36.03s 不正解: 9 API エラー: 3 無効なツール呼び出し: 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 : 6.8 コーディング : 5.3 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 : 4.0 指示追従 : 9.8 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#427#427	GPT-6 Luna Decisionsdefault	2.4	OpenAI	$0.005	495ms
モデルカードを見る合計テスト数 12 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 13.0% 不安定なテスト 0 入力トークン 47,583 出力トークン 0 推論トークン 0 応答時間（平均） 495ms 応答時間（合計） 5.94s 応答時間（最大） 842ms 不正解: 8 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 : 2.3 コーディング : 2.5 複合 : 0.0 データ解析と抽出 : 10.0 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
#428#428	Kev 4Bdefault	2.4	Jaredpalmer	$0.002	5.63s
モデルカードを見る合計テスト数 12 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 42,804 出力トークン 28,061 推論トークン 0 応答時間（平均） 5.63s 応答時間（合計） 67.61s 応答時間（最大） 17.79s 不正解: 9 エージェントタスク : 0.0 反AIトリック : 2.3 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 : 2.0 ツール呼び出し : 0.0 雑学 : 0.0
#430#430	Classify-1default	2.2	Scaledown	$0.008	4.58s
モデルカードを見る合計テスト数 12 誤答テスト数 9 信頼性 9.4 試行ごとの合格率 18.8% 不安定なテスト 2 入力トークン 195,645 出力トークン 164 推論トークン 0 応答時間（平均） 4.58s 応答時間（合計） 55.01s 応答時間（最大） 13.35s 不正解: 8 API エラー: 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 : 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

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