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）
#50#50	Gemini 4 Argonmedium	9.0	Google	$0.674	6.63s
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 84.1% 不安定なテスト 1 入力トークン 215,326 出力トークン 6,668 推論トークン 17,615 応答時間（平均） 6.63s 応答時間（合計） 152.50s 応答時間（最大） 62.49s 不正解: 4 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 : 6.4 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 : 10.0 ツール呼び出し : 9.8 雑学 : 3.0
#215#215	GPT 5.3 Chatdefault	6.7	OpenAI	$0.533	6.31s
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 62.3% 不安定なテスト 4 入力トークン 78,846 出力トークン 7,635 推論トークン 20,544 応答時間（平均） 6.31s 応答時間（合計） 138.73s 応答時間（最大） 18.33s 不正解: 6 API エラー: 2 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 : 6.7 コーディング : 5.6 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 : 4.6 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
#225#225	Beam 1.0 501B A23Bmedium	6.6	Reflection	$0.499	6.27s
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 65.2% 不安定なテスト 2 入力トークン 202,937 出力トークン 4,328 推論トークン 94,193 応答時間（平均） 6.27s 応答時間（合計） 144.28s 応答時間（最大） 31.55s 不正解: 6 API エラー: 3 エージェントタスク : 3.0 反AIトリック : 10.0 コーディング : 10.0 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 : 4.7 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
#195#195	Gemini 3.1 Flash Litemedium	6.9	Google	$0.153	6.27s
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 59.4% 不安定なテスト 2 入力トークン 228,023 出力トークン 10,779 推論トークン 53,188 応答時間（平均） 6.27s 応答時間（合計） 144.10s 応答時間（最大） 47.78s 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 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 : 2.9 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#26#26	Gemini 3.7 Flashlow	9.4	Google	$0.183	6.24s
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 95.7% 不安定なテスト 2 入力トークン 188,519 出力トークン 7,694 推論トークン 30,759 応答時間（平均） 6.24s 応答時間（合計） 143.56s 応答時間（最大） 58.75s 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 : 7.6 複合 : 10.0 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
#347#347	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
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 10.0 試行ごとの合格率 31.9% 不安定なテスト 4 入力トークン 273,075 出力トークン 17,069 推論トークン 0 応答時間（平均） 6.21s 応答時間（合計） 142.89s 応答時間（最大） 53.13s 不正解: 12 指示に従っていない: 4 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 : 3.3 コーディング : 4.3 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 : 4.0 指示追従 : 6.4 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#327#327	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
#239#239	Gemini 3 Flash Previewnone	6.4	Google	$0.155	6.05s
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 62.3% 不安定なテスト 3 入力トークン 233,893 出力トークン 12,432 推論トークン 0 応答時間（平均） 6.05s 応答時間（合計） 102.89s 応答時間（最大） 57.84s 不正解: 9 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 8.3 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 : 7.7 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#286#286	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
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 50.7% 不安定なテスト 3 入力トークン 100,255 出力トークン 6,422 推論トークン 49,847 応答時間（平均） 6.03s 応答時間（合計） 138.65s 応答時間（最大） 17.26s 不正解: 6 指示に従っていない: 4 無効なツール呼び出し: 2 API エラー: 1 エージェントタスク : 3.0 反AIトリック : 10.0 コーディング : 7.8 複合 : 3.8 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 : 8.5 パズル解決 : 5.8 ツール呼び出し : 3.0 雑学 : 3.0
#448#448	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
#318#318	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
#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
#295#295	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
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 43.5% 不安定なテスト 3 入力トークン 266,004 出力トークン 9,077 推論トークン 0 応答時間（平均） 5.71s 応答時間（合計） 131.36s 応答時間（最大） 65.25s 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 : 6.5 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 : 3.0 汎用知能 : 6.1 指示追従 : 7.1 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#437#437	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
#352#352	Dots 3 Note Previewdefault	5.0	Dots Studio	$0.000	5.36s
モデルカードを見る合計テスト数 23 誤答テスト数 20 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 225,907 出力トークン 22,507 推論トークン 0 応答時間（平均） 5.36s 応答時間（合計） 123.38s 応答時間（最大） 45.71s 不正解: 16 指示に従っていない: 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 : 3.9 反AIトリック : 3.1 コーディング : 4.6 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 : 5.0 指示追従 : 4.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#277#277	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
#397#397	Mercury 2.5none	4.1	Inception	$0.026	5.10s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 7 入力トークン 311,488 出力トークン 89,958 推論トークン 0 応答時間（平均） 5.10s 応答時間（合計） 117.24s 応答時間（最大） 63.41s 不正解: 15 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 エージェントタスク : 5.0 反AIトリック : 3.8 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 4.9 パズル解決 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#324#324	Qwen3.8 27Bnone	5.4	Qwen	~$0.010	5.05s
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 39.1% 不安定なテスト 0 入力トークン 281,460 出力トークン 13,791 推論トークン 0 応答時間（平均） 5.05s 応答時間（合計） 116.11s 応答時間（最大） 47.42s 不正解: 12 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 : 6.5 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 : 4.2 指示追従 : 6.3 パズル解決 : 6.0 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
#245#245	Beam 1.0 501B A23Blow	6.4	Reflection	$0.432	4.89s
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 60.9% 不安定なテスト 6 入力トークン 218,076 出力トークン 4,863 推論トークン 66,387 応答時間（平均） 4.89s 応答時間（合計） 112.55s 応答時間（最大） 29.49s 不正解: 6 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 : 3.0 反AIトリック : 10.0 コーディング : 10.0 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 : 6.5 指示追従 : 8.4 パズル解決 : 6.1 ツール呼び出し : 3.0 雑学 : 3.0
#254#254	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
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 66.7% 不安定なテスト 6 入力トークン 275,779 出力トークン 14,401 推論トークン 25,511 応答時間（平均） 4.79s 応答時間（合計） 110.24s 応答時間（最大） 53.91s 不正解: 9 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 : 9.0 コーディング : 4.3 複合 : 3.8 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 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 4.7
#219#219	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
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 56.5% 不安定なテスト 2 入力トークン 205,108 出力トークン 6,197 推論トークン 0 応答時間（平均） 4.75s 応答時間（合計） 109.31s 応答時間（最大） 57.53s 不正解: 11 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 : 6.5 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 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#415#415	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
#247#247	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
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 58.0% 不安定なテスト 1 入力トークン 230,004 出力トークン 18,040 推論トークン 0 応答時間（平均） 4.67s 応答時間（合計） 107.45s 応答時間（最大） 49.23s 不正解: 7 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 : 6.5 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 : 7.7 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#216#216	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 10.0 試行ごとの合格率 60.9% 不安定なテスト 3 入力トークン 207,852 出力トークン 5,555 推論トークン 0 応答時間（平均） 4.61s 応答時間（合計） 105.93s 応答時間（最大） 58.28s 不正解: 10 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 : 8.3 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 : 5.9 汎用知能 : 6.5 指示追従 : 8.5 パズル解決 : 7.7 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