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）
#411#411	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
#379#379	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
#327#327	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
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 29.0% 不安定なテスト 6 入力トークン 272,479 出力トークン 40,677 推論トークン 23,104 応答時間（平均） 8.43s 応答時間（合計） 176.93s 応答時間（最大） 65.61s 不正解: 13 API エラー: 2 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 : 5.2 反AIトリック : 3.6 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 : 2.9 汎用知能 : 4.4 指示追従 : 6.2 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#340#340	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
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 24.6% 不安定なテスト 4 入力トークン 230,291 出力トークン 99,030 推論トークン 287,794 応答時間（平均） 63.06s 応答時間（合計） 1450.31s 応答時間（最大） 560.31s 不正解: 14 無効なツール呼び出し: 2 回答なし: 2 指示に従っていない: 1 エージェントタスク : 3.4 反AIトリック : 3.4 コーディング : 5.3 複合 : 3.2 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 : 4.2 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#349#349	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
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 27.5% 不安定なテスト 6 入力トークン 344,806 出力トークン 177,330 推論トークン 453,213 応答時間（平均） 113.63s 応答時間（合計） 2613.48s 応答時間（最大） 1190.11s 不正解: 12 無効なツール呼び出し: 2 回答なし: 2 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 : 2.8 反AIトリック : 3.4 コーディング : 5.3 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 : 4.6 指示追従 : 4.6 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#351#351	Ling 2.6 1tdefault	4.9	Inclusionai	$0.016 ↑	8.16s
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 17.4% 不安定なテスト 0 入力トークン 106,423 出力トークン 11,555 推論トークン 0 応答時間（平均） 8.16s 応答時間（合計） 163.24s 応答時間（最大） 25.72s 不正解: 12 API エラー: 4 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 : 3.4 コーディング : 3.8 複合 : 6.5 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 : 6.4 パズル解決 : 3.1 ツール呼び出し : 3.0 雑学 : 3.0
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
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 9.8 試行ごとの合格率 18.8% 不安定なテスト 1 入力トークン 307,670 出力トークン 70,427 推論トークン 0 応答時間（平均） 37.19s 応答時間（合計） 855.27s 応答時間（最大） 433.02s 不正解: 15 指示に従っていない: 2 無効なツール呼び出し: 2 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 : 3.9 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 : 4.4 指示追従 : 6.5 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#358#358	Mercury 2.5 Previewdefault	4.7	Inception	$0.023 ↑	7.05s
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 9.9 試行ごとの合格率 29.0% 不安定なテスト 5 入力トークン 250,541 出力トークン 86,367 推論トークン 0 応答時間（平均） 7.05s 応答時間（合計） 162.25s 応答時間（最大） 84.96s 不正解: 16 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 : 3.9 反AIトリック : 3.8 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.6 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 : 10.0 雑学 : 3.0
#360#360	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
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 8.9 試行ごとの合格率 17.4% 不安定なテスト 0 入力トークン 177,989 出力トークン 26,954 推論トークン 0 応答時間（平均） 29.47s 応答時間（合計） 677.70s 応答時間（最大） 159.85s 不正解: 13 余分な書式: 2 指示に従っていない: 2 無効なツール呼び出し: 2 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 : 3.9 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 6.5 パズル解決 : 3.5 ツール呼び出し : 9.5 雑学 : 3.0
#362#362	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
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 8.2 試行ごとの合格率 37.7% 不安定なテスト 10 入力トークン 282,658 出力トークン 198,563 推論トークン 462,804 応答時間（平均） 235.35s 応答時間（合計） 5413.09s 応答時間（最大） 685.87s タイムアウト: 10 不正解: 7 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 : 3.8 複合 : 5.0 データ解析と抽出 : 3.8 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 6.4 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#365#365	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
#382#382	Mercury 2none	4.4	Inception	$0.033	1.18s
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 23.2% 不安定なテスト 2 入力トークン 100,634 出力トークン 9,609 推論トークン 100 応答時間（平均） 1.18s 応答時間（合計） 27.14s 応答時間（最大） 9.00s 不正解: 17 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 : 3.0 コーディング : 3.4 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 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#385#385	GLM 4.7 Flashmedium	4.2	Z.ai	$0.193	150.90s
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 9.4 試行ごとの合格率 30.4% 不安定なテスト 8 入力トークン 228,711 出力トークン 42,254 推論トークン 422,121 応答時間（平均） 150.90s 応答時間（合計） 2414.33s 応答時間（最大） 1539.97s 不正解: 10 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 タイムアウト: 2 エージェントタスク : 3.9 反AIトリック : 4.7 コーディング : 3.2 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 3.5 汎用知能 : 3.6 指示追従 : 6.2 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#399#399	Ling 3.0 Tinyhigh	3.7	Inclusionai	$0.000	72.24s
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 23.2% 不安定なテスト 3 入力トークン 115,314 出力トークン 133,965 推論トークン 816,718 応答時間（平均） 72.24s 応答時間（合計） 1589.23s 応答時間（最大） 345.15s 回答なし: 7 不正解: 6 指示に従っていない: 3 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 : 6.4 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 : 2.9 汎用知能 : 5.4 指示追従 : 6.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#400#400	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
#401#401	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
#431#431	Clef Omnidefault	1.9	Cloudflare	$0.011	880ms
モデルカードを見る合計テスト数 12 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 8.7% 不安定なテスト 0 入力トークン 70,125 出力トークン 0 推論トークン 0 応答時間（平均） 880ms 応答時間（合計） 10.56s 応答時間（最大） 1.31s 不正解: 9 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 : 4.0 コーディング : 2.5 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 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
#434#434	D1default	1.9	Liquid	$0.003	508ms
モデルカードを見る合計テスト数 12 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 11.6% 不安定なテスト 1 入力トークン 55,956 出力トークン 0 推論トークン 0 応答時間（平均） 508ms 応答時間（合計） 6.10s 応答時間（最大） 820ms 不正解: 10 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 : 3.6 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
#415#415	Grok 4.1 Fastdefault	3.1	X AI	$0.008 ↓	1.62s
モデルカードを見る合計テスト数 19 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 18.8% 不安定なテスト 3 入力トークン 36,608 出力トークン 1,723 推論トークン 0 応答時間（平均） 1.62s 応答時間（合計） 19.48s 応答時間（最大） 5.51s 不正解: 13 指示に従っていない: 3 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 : 1.8 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.4 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 2.8 雑学 : 3.0
#441#441	Nimble v3 9Bdefault	0.8	Bespoke Labs	~$0.001	363ms
モデルカードを見る合計テスト数 7 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 103,770 出力トークン 0 推論トークン 0 応答時間（平均） 363ms 応答時間（合計） 2.54s 応答時間（最大） 1.24s 不正解: 5 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 : 2.5 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.0 ドメイン特化 : 2.0 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
#317#317	Hy4 previewlow	5.4	Tencent	$1.844	207.21s
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 6.5 試行ごとの合格率 21.7% 不安定なテスト 4 入力トークン 162,180 出力トークン 5,030 推論トークン 682,447 応答時間（平均） 207.21s 応答時間（合計） 4765.91s 応答時間（最大） 597.45s 不正解: 13 API エラー: 5 指示に従っていない: 1 回答なし: 1 エージェントタスク : 4.7 反AIトリック : 6.0 コーディング : 5.2 複合 : 2.9 データ解析と抽出 : 8.7 ドメイン特化 : 4.5 汎用知能 : 7.5 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
#339#339	Apodex 1.1 Minidefault	5.1	Apodex	$0.000	7.79s
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 29.0% 不安定なテスト 8 入力トークン 465,127 出力トークン 72,309 推論トークン 0 応答時間（平均） 7.79s 応答時間（合計） 179.09s 応答時間（最大） 121.52s 不正解: 16 指示に従っていない: 2 無効なツール呼び出し: 2 エージェントタスク : 5.2 反AIトリック : 3.4 コーディング : 3.8 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 : 4.9 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#343#343	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
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
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 6.2 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 185,167 出力トークン 9,430 推論トークン 0 応答時間（平均） 40.38s 応答時間（合計） 928.76s 応答時間（最大） 95.32s 不正解: 14 API エラー: 2 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 : 5.0 反AIトリック : 3.3 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 8.7 ドメイン特化 : 6.8 汎用知能 : 5.1 指示追従 : 7.0 パズル解決 : 4.6 ツール呼び出し : 3.0 雑学 : 3.0
#363#363	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
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 24.6% 不安定なテスト 4 入力トークン 311,647 出力トークン 40,395 推論トークン 0 応答時間（平均） 16.97s 応答時間（合計） 305.55s 応答時間（最大） 151.35s 不正解: 15 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 : 5.0 反AIトリック : 3.5 コーディング : 3.7 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 : 6.3 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

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