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）
#304#304	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
#311#311	Step 5 Previewlow	5.6	Stepfun	$4.110	138.27s
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 9.7 試行ごとの合格率 58.0% 不安定なテスト 7 入力トークン 261,256 出力トークン 1,425,268 推論トークン 0 応答時間（平均） 138.27s 応答時間（合計） 3180.10s 応答時間（最大） 436.56s 回答なし: 7 API エラー: 2 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 エージェントタスク : 3.4 反AIトリック : 6.9 コーディング : 2.7 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.5 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
#314#314	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
#343#343	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
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 9.7 試行ごとの合格率 42.0% 不安定なテスト 8 入力トークン 321,955 出力トークン 41,555 推論トークン 94,946 応答時間（平均） 12.68s 応答時間（合計） 291.66s 応答時間（最大） 59.15s 不正解: 14 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 : 4.4 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 : 7.3 パズル解決 : 3.4 ツール呼び出し : 10.0 雑学 : 3.0
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 9.6 試行ごとの合格率 95.7% 不安定なテスト 0 入力トークン 181,223 出力トークン 5,707 推論トークン 58,909 応答時間（平均） 61.63s 応答時間（合計） 1417.51s 応答時間（最大） 960.01s 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 : 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 : 10.0
#45#45	Muse Spark Openxhigh	9.0	Meta	$2.081	92.38s
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 9.6 試行ごとの合格率 81.2% 不安定なテスト 5 入力トークン 271,242 出力トークン 11,803 推論トークン 397,838 応答時間（平均） 92.38s 応答時間（合計） 2124.67s 応答時間（最大） 482.30s API エラー: 2 不正解: 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 : 8.7 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 : 2.9 汎用知能 : 6.5 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#64#64	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
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 9.6 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 280,643 出力トークン 7,342 推論トークン 437,323 応答時間（平均） 32.88s 応答時間（合計） 756.34s 応答時間（最大） 276.31s 不正解: 5 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 : 8.3 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 2.9 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 : 10.0 雑学 : 3.0
#83#83	Qwen3.8 2.4T A95Blow	8.4	Qwen	$4.016 ↑	120.40s
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 9.6 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 313,881 出力トークン 123,706 推論トークン 388,328 応答時間（平均） 120.40s 応答時間（合計） 2769.16s 応答時間（最大） 534.21s 不正解: 5 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 : 10.0 コーディング : 7.8 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.2 汎用知能 : 6.1 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
#97#97	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
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 9.6 試行ごとの合格率 71.0% 不安定なテスト 3 入力トークン 369,495 出力トークン 172,852 推論トークン 476,002 応答時間（平均） 88.74s 応答時間（合計） 2041.10s 応答時間（最大） 567.88s 回答なし: 4 不正解: 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 : 10.0 コーディング : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.3 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 2.8 雑学 : 3.0
#102#102	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 9.6 試行ごとの合格率 81.2% 不安定なテスト 4 入力トークン 227,164 出力トークン 20,029 推論トークン 60,991 応答時間（平均） 26.88s 応答時間（合計） 591.34s 応答時間（最大） 102.40s 不正解: 3 回答なし: 2 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 : 8.2 複合 : 5.0 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 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#109#109	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
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 9.6 試行ごとの合格率 73.9% 不安定なテスト 4 入力トークン 266,849 出力トークン 8,284 推論トークン 363,263 応答時間（平均） 28.04s 応答時間（合計） 645.03s 応答時間（最大） 149.84s 不正解: 7 API エラー: 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 : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#122#122	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
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 9.6 試行ごとの合格率 75.4% 不安定なテスト 4 入力トークン 295,642 出力トークン 115,041 推論トークン 353,398 応答時間（平均） 120.88s 応答時間（合計） 2780.16s 応答時間（最大） 532.28s 不正解: 4 指示に従っていない: 2 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 : 10.0 コーディング : 5.9 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 : 6.1 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
#212#212	Grok 4.7high	6.7	X AI	$3.037	122.19s
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 9.6 試行ごとの合格率 72.5% 不安定なテスト 7 入力トークン 329,276 出力トークン 8,172 推論トークン 479,012 応答時間（平均） 122.19s 応答時間（合計） 2810.40s 応答時間（最大） 573.57s 回答なし: 3 指示に従っていない: 2 無効なツール呼び出し: 2 不正解: 2 API エラー: 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 : 6.0 複合 : 8.6 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.1 指示追従 : 8.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#244#244	Kimi K2.5medium	6.4	Moonshot AI	$0.841 ↑	125.76s
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 9.6 試行ごとの合格率 60.9% 不安定なテスト 8 入力トークン 292,271 出力トークン 55,025 推論トークン 186,071 応答時間（平均） 125.76s 応答時間（合計） 2137.84s 応答時間（最大） 566.79s 不正解: 5 タイムアウト: 3 指示に従っていない: 2 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 : 3.9 反AIトリック : 7.3 コーディング : 6.1 複合 : 6.7 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.5 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
#279#279	Step 5 Previewmedium	6.1	Stepfun	$4.136	136.10s
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 9.6 試行ごとの合格率 53.6% 不安定なテスト 5 入力トークン 261,842 出力トークン 1,434,621 推論トークン 0 応答時間（平均） 136.10s 応答時間（合計） 3130.27s 応答時間（最大） 438.09s 回答なし: 6 不正解: 3 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 エージェントタスク : 6.1 反AIトリック : 6.4 コーディング : 2.8 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 : 3.4 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
#339#339	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
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 9.6 試行ごとの合格率 47.8% 不安定なテスト 12 入力トークン 170,517 出力トークン 149,968 推論トークン 509,725 応答時間（平均） 77.08s 応答時間（合計） 1772.78s 応答時間（最大） 490.99s 不正解: 11 指示に従っていない: 4 余分な書式: 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 : 3.5 反AIトリック : 5.5 コーディング : 4.4 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.7 指示追従 : 8.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#341#341	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
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 9.6 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 40,961 出力トークン 2,518 推論トークン 81,801 応答時間（平均） 22.16s 応答時間（合計） 443.22s 応答時間（最大） 136.29s 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 : 10.0 コーディング : 6.0 複合 : 2.3 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 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#346#346	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
#382#382	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
#409#409	Ling 3.0 Tinylow	3.7	Inclusionai	$0.000	63.15s
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 9.6 試行ごとの合格率 18.8% 不安定なテスト 1 入力トークン 99,662 出力トークン 146,555 推論トークン 732,977 応答時間（平均） 63.15s 応答時間（合計） 1389.35s 応答時間（最大） 252.08s 回答なし: 7 不正解: 5 指示に従っていない: 4 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 : 6.5 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 6.6 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#410#410	Ling 3.0 Tinymedium	3.6	Inclusionai	$0.000	64.99s
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 9.6 試行ごとの合格率 23.2% 不安定なテスト 3 入力トークン 103,898 出力トークン 148,304 推論トークン 774,972 応答時間（平均） 64.99s 応答時間（合計） 1429.68s 応答時間（最大） 262.20s 回答なし: 7 不正解: 5 指示に従っていない: 4 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 : 6.5 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 2.7 ドメイン特化 : 3.0 汎用知能 : 3.8 指示追従 : 6.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#68#68	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
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 9.5 試行ごとの合格率 78.3% 不安定なテスト 7 入力トークン 298,476 出力トークン 7,762 推論トークン 515,918 応答時間（平均） 148.11s 応答時間（合計） 3406.53s 応答時間（最大） 904.91s 余分な書式: 3 不正解: 3 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 : 10.0 反AIトリック : 7.3 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 : 2.9 汎用知能 : 10.0 指示追従 : 8.4 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 2.8
#189#189	Step 5 Previewhigh	7.0	Stepfun	$4.513	154.41s
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 9.5 試行ごとの合格率 52.2% 不安定なテスト 4 入力トークン 243,381 出力トークン 1,581,325 推論トークン 0 応答時間（平均） 154.41s 応答時間（合計） 3551.40s 応答時間（最大） 455.72s 回答なし: 7 不正解: 3 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 : 6.5 コーディング : 2.9 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 : 3.4 指示追従 : 7.3 パズル解決 : 5.8 ツール呼び出し : 10.0 雑学 : 3.0
#315#315	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
#378#378	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
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 40.6% 不安定なテスト 9 入力トークン 207,883 出力トークン 144,718 推論トークン 525,897 応答時間（平均） 83.19s 応答時間（合計） 1913.41s 応答時間（最大） 597.61s 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 タイムアウト: 1 エージェントタスク : 3.5 反AIトリック : 6.9 コーディング : 4.0 複合 : 6.3 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 8.4 パズル解決 : 3.6 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