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）
#432#432	Decider Flash V1.2default	1.9	Perplexity	$0.001	462ms
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 49,176 出力トークン 69 推論トークン 0 応答時間（平均） 462ms 応答時間（合計） 5.55s 応答時間（最大） 661ms 不正解: 9 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 : 2.2 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
#404#404	Elephant Alphadefault	3.6	Openrouter	$0.000	1.22s
モデルカードを見る合計テスト数 21 誤答テスト数 16 信頼性該当なし試行ごとの合格率 24.6% 不安定なテスト 1 入力トークン 33,743 出力トークン 2,573 推論トークン 0 応答時間（平均） 1.22s 応答時間（合計） 22.03s 応答時間（最大） 3.81s 不正解: 9 API エラー: 3 指示に従っていない: 3 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 : 4.2 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 : 4.0 指示追従 : 9.8 パズル解決 : 4.2 ツール呼び出し : 3.0 雑学 : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
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 30.4% 不安定なテスト 4 入力トークン 403,455 出力トークン 100,227 推論トークン 15,364 応答時間（平均） 38.64s 応答時間（合計） 888.69s 応答時間（最大） 247.27s 不正解: 13 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 : 10.0 反AIトリック : 3.0 コーディング : 4.2 複合 : 4.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.2 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
#262#262	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
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 30.4% 不安定なテスト 4 入力トークン 349,876 出力トークン 39,789 推論トークン 0 応答時間（平均） 27.42s 応答時間（合計） 630.70s 応答時間（最大） 387.15s 不正解: 13 指示に従っていない: 2 無効なツール呼び出し: 2 余分な書式: 1 エージェントタスク : 10.0 反AIトリック : 3.4 コーディング : 4.3 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 : 4.4 指示追従 : 5.0 パズル解決 : 3.2 ツール呼び出し : 9.5 雑学 : 3.0
#308#308	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
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 9.8 試行ごとの合格率 33.3% 不安定なテスト 5 入力トークン 286,758 出力トークン 85,777 推論トークン 0 応答時間（平均） 15.75s 応答時間（合計） 362.23s 応答時間（最大） 90.95s 不正解: 9 指示に従っていない: 5 回答なし: 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 : 6.1 反AIトリック : 3.6 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 : 3.0 汎用知能 : 5.0 指示追従 : 8.0 パズル解決 : 7.7 ツール呼び出し : 4.7 雑学 : 3.0
#324#324	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
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 29.0% 不安定なテスト 4 入力トークン 275,349 出力トークン 49,377 推論トークン 12 応答時間（平均） 35.86s 応答時間（合計） 609.61s 応答時間（最大） 321.19s 不正解: 17 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 3.6 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#326#326	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
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 29.0% 不安定なテスト 3 入力トークン 270,072 出力トークン 23,173 推論トークン 0 応答時間（平均） 4.56s 応答時間（合計） 104.80s 応答時間（最大） 70.79s 不正解: 14 無効なツール呼び出し: 2 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 : 5.0 反AIトリック : 5.3 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 : 5.3 汎用知能 : 5.0 指示追従 : 3.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#330#330	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
#334#334	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
#335#335	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
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 24.6% 不安定なテスト 1 入力トークン 265,602 出力トークン 10,913 推論トークン 0 応答時間（平均） 3.12s 応答時間（合計） 71.87s 応答時間（最大） 45.46s 不正解: 17 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 : 3.4 コーディング : 3.7 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 : 4.0 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
#338#338	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
#342#342	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
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 44.9% 不安定なテスト 10 入力トークン 277,130 出力トークン 45,188 推論トークン 129,163 応答時間（平均） 50.32s 応答時間（合計） 1107.03s 応答時間（最大） 198.82s 不正解: 6 指示に従っていない: 5 無効なツール呼び出し: 2 回答なし: 2 タイムアウト: 2 API エラー: 1 エージェントタスク : 4.7 反AIトリック : 7.9 コーディング : 5.7 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 3.8 パズル解決 : 5.9 ツール呼び出し : 4.7 雑学 : 3.0
#344#344	GPT-4o-minidefault	5.0	OpenAI	$0.024	4.16s
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 21.7% 不安定なテスト 0 入力トークン 145,180 出力トークン 3,627 推論トークン 0 応答時間（平均） 4.16s 応答時間（合計） 70.70s 応答時間（最大） 39.99s 不正解: 16 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 : 4.8 コーディング : 3.2 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 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#347#347	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
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 23.2% 不安定なテスト 1 入力トークン 94,733 出力トークン 7,087 推論トークン 1,683 応答時間（平均） 1.45s 応答時間（合計） 33.24s 応答時間（最大） 12.35s 不正解: 15 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 エージェントタスク : 3.0 反AIトリック : 3.1 コーディング : 3.6 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 : 6.3 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#348#348	Qwen3 Coder Nextdefault	4.9	Qwen	$0.067 ↑	19.73s
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 24.6% 不安定なテスト 1 入力トークン 250,329 出力トークン 45,168 推論トークン 0 応答時間（平均） 19.73s 応答時間（合計） 355.09s 応答時間（最大） 208.38s 不正解: 15 余分な書式: 1 指示に従っていない: 1 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 3.6 コーディング : 4.6 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 : 10.0 指示追従 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#352#352	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
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 26.1% 不安定なテスト 2 入力トークン 276,608 出力トークン 17,693 推論トークン 16,267 応答時間（平均） 9.88s 応答時間（合計） 227.24s 応答時間（最大） 124.23s 不正解: 14 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 回答なし: 1 エージェントタスク : 3.9 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 : 6.5 ドメイン特化 : 2.9 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#357#357	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
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 29.0% 不安定なテスト 3 入力トークン 255,363 出力トークン 27,395 推論トークン 0 応答時間（平均） 13.04s 応答時間（合計） 221.61s 応答時間（最大） 97.15s 不正解: 15 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 : 5.2 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 6.5 パズル解決 : 6.4 ツール呼び出し : 2.8 雑学 : 3.0
#359#359	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
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 9.8 試行ごとの合格率 47.8% 不安定なテスト 12 入力トークン 195,780 出力トークン 167,746 推論トークン 598,384 応答時間（平均） 81.93s 応答時間（合計） 1884.31s 応答時間（最大） 437.11s 不正解: 13 指示に従っていない: 3 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 : 2.8 反AIトリック : 6.9 コーディング : 4.4 複合 : 6.2 データ解析と抽出 : 3.7 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.5 パズル解決 : 4.2 ツール呼び出し : 10.0 雑学 : 3.0
#369#369	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
#377#377	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
#378#378	KAT Coder AIR V2.5default	4.4	Kwaipilot	$0.070	11.96s
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 34.8% 不安定なテスト 7 入力トークン 69,376 出力トークン 7,792 推論トークン 89,960 応答時間（平均） 11.96s 応答時間（合計） 275.18s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 2 エージェントタスク : 3.0 反AIトリック : 5.3 コーディング : 3.3 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#384#384	MiniMax M2.5medium	4.3	Minimax	$0.440 ↑	102.32s
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 9.3 試行ごとの合格率 42.0% 不安定なテスト 9 入力トークン 188,239 出力トークン 27,822 推論トークン 262,674 応答時間（平均） 102.32s 応答時間（合計） 1637.05s 応答時間（最大） 600.81s 不正解: 7 タイムアウト: 5 指示に従っていない: 3 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 : 3.0 反AIトリック : 7.9 コーディング : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#403#403	Laguna M.1default	3.6	Poolside	$0.009 ↕	2.89s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 9.8 試行ごとの合格率 26.1% 不安定なテスト 3 入力トークン 38,147 出力トークン 2,054 推論トークン 0 応答時間（平均） 2.89s 応答時間（合計） 43.28s 応答時間（最大） 15.42s 不正解: 10 API エラー: 4 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 : 3.4 コーディング : 2.5 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.0 指示追従 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#420#420	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	2.7	NVIDIA	$0.000	17.13s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 5 入力トークン 11,661 出力トークン 48,491 推論トークン 180,695 応答時間（平均） 17.13s 応答時間（合計） 222.66s 応答時間（最大） 147.45s 不正解: 7 API エラー: 6 指示に従っていない: 1 回答なし: 1 エージェントタスク : 0.0 反AIトリック : 6.4 コーディング : 1.1 複合 : 1.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 7.3 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#410#410	Hy3 previewnone	3.3	Tencent	$0.007 ↕	12.92s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 21.7% 不安定なテスト 2 入力トークン 27,172 出力トークン 2,661 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 232.64s 応答時間（最大） 35.84s 不正解: 8 API エラー: 4 指示に従っていない: 4 余分な書式: 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 : 2.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 指示追従 : 6.3 パズル解決 : 3.1 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