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）
#439#439	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
#335#335	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
#374#374	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
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 10.0 試行ごとの合格率 26.1% 不安定なテスト 4 入力トークン 246,687 出力トークン 14,894 推論トークン 0 応答時間（平均） 4.42s 応答時間（合計） 101.75s 応答時間（最大） 45.38s 不正解: 16 指示に従っていない: 2 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 : 4.6 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 : 3.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#223#223	Mercury 2medium	6.6	Inception	$0.121	4.40s
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 53.6% 不安定なテスト 5 入力トークン 189,300 出力トークン 10,854 推論トークン 86,089 応答時間（平均） 4.40s 応答時間（合計） 96.81s 応答時間（最大） 34.92s 不正解: 9 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 : 4.7 反AIトリック : 6.9 コーディング : 8.2 複合 : 6.7 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#353#353	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
#297#297	GPT-5.6 Terranone	5.8	OpenAI	$0.377 ↓	4.11s
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 3 入力トークン 213,564 出力トークン 7,381 推論トークン 0 応答時間（平均） 4.11s 応答時間（合計） 94.52s 応答時間（最大） 57.98s 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 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 : 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 : 8.5 パズル解決 : 5.3 ツール呼び出し : 9.6 雑学 : 3.0
#288#288	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
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 49.3% 不安定なテスト 3 入力トークン 238,785 出力トークン 12,875 推論トークン 0 応答時間（平均） 3.95s 応答時間（合計） 90.76s 応答時間（最大） 50.03s 不正解: 9 指示に従っていない: 3 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 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#309#309	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
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 2 入力トークン 219,404 出力トークン 9,372 推論トークン 0 応答時間（平均） 3.89s 応答時間（合計） 89.48s 応答時間（最大） 43.73s 不正解: 15 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 : 3.2 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 : 4.4 指示追従 : 6.5 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#331#331	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
#271#271	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
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 55.1% 不安定なテスト 1 入力トークン 261,962 出力トークン 12,799 推論トークン 2,961 応答時間（平均） 3.60s 応答時間（合計） 82.91s 応答時間（最大） 48.59s 不正解: 8 指示に従っていない: 2 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 7.5 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 : 4.0 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
#290#290	Gemini 3.1 Flash Litenone	5.9	Google	$0.069	3.58s
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 9.9 試行ごとの合格率 47.8% 不安定なテスト 4 入力トークン 202,069 出力トークン 11,961 推論トークン 0 応答時間（平均） 3.58s 応答時間（合計） 82.24s 応答時間（最大） 43.82s 不正解: 12 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 : 7.5 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 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#296#296	DeepSeek V4.1 Flash 1017none	5.8	DeepSeek	$0.055	3.46s
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 36.2% 不安定なテスト 1 入力トークン 293,927 出力トークン 16,806 推論トークン 0 応答時間（平均） 3.46s 応答時間（合計） 79.48s 応答時間（最大） 43.95s 不正解: 14 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 : 3.6 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 : 5.1 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
#338#338	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
#303#303	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
#345#345	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
#344#344	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
#323#323	Claude Opus 4.7none	5.4	Anthropic	$0.505	3.02s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 69.6% 不安定なテスト 0 入力トークン 69,576 出力トークン 6,265 推論トークン 0 応答時間（平均） 3.02s 応答時間（合計） 57.44s 応答時間（最大） 18.27s 不正解: 3 エージェントタスク : 0.0 反AIトリック : 8.3 コーディング : 3.3 複合 : 4.8 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#376#376	GLM 5V Turbonone	4.6	Z.ai	$0.052	2.99s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 0 入力トークン 37,100 出力トークン 1,766 推論トークン 0 応答時間（平均） 2.99s 応答時間（合計） 62.74s 応答時間（最大） 6.51s 不正解: 11 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 : 4.8 コーディング : 5.5 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 : 4.6 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#412#412	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
#388#388	Trinity Large Previewdefault	4.4	Arcee AI	$0.008 ↑	2.83s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 20.3% 不安定なテスト 2 入力トークン 29,828 出力トークン 2,169 推論トークン 0 応答時間（平均） 2.83s 応答時間（合計） 56.65s 応答時間（最大） 14.34s 不正解: 12 API エラー: 3 指示に従っていない: 3 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 : 3.7 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 : 4.5 指示追従 : 3.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#396#396	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
#420#420	MiMo-V2-Flashdefault	3.3	Xiaomi	$0.025 ↑	2.76s
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 6.7 試行ごとの合格率 23.2% 不安定なテスト 4 入力トークン 36,851 出力トークン 68,882 推論トークン 0 応答時間（平均） 2.76s 応答時間（合計） 46.99s 応答時間（最大） 19.68s 不正解: 13 指示に従っていない: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 3.2 コーディング : 4.3 複合 : 1.5 データ解析と抽出 : 2.9 ドメイン特化 : 5.3 汎用知能 : 4.6 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#385#385	Mimo V2 Omnidefault	4.5	Xiaomi	$0.021 ↓	2.44s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 36.2% 不安定なテスト 1 入力トークン 40,852 出力トークン 3,314 推論トークン 0 応答時間（平均） 2.44s 応答時間（合計） 48.81s 応答時間（最大） 6.81s 不正解: 10 API エラー: 1 余分な書式: 1 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 : 3.6 コーディング : 4.4 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 : 4.1 指示追従 : 6.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#380#380	Mimo V2 PROdefault	4.6	Xiaomi	$0.045 ↓	2.27s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 37.7% 不安定なテスト 3 入力トークン 39,344 出力トークン 2,352 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 45.50s 応答時間（最大） 6.58s 不正解: 11 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 : 5.5 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 : 4.3 指示追従 : 6.5 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#337#337	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
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 47.8% 不安定なテスト 4 入力トークン 81,447 出力トークン 2,715 推論トークン 11,971 応答時間（平均） 1.99s 応答時間（合計） 45.67s 応答時間（最大） 5.82s 不正解: 9 指示に従っていない: 2 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 : 9.2 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 : 5.3 汎用知能 : 5.3 指示追従 : 9.9 パズル解決 : 5.3 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