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）
#421#421	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 8.8 試行ごとの合格率 7.3% 不安定なテスト 4 入力トークン 153,665 出力トークン 26,540 推論トークン 0 応答時間（平均） 42.72s 応答時間（合計） 982.66s 応答時間（最大） 634.11s 不正解: 13 指示に従っていない: 5 API エラー: 3 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 : 3.0 反AIトリック : 3.3 コーディング : 3.6 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 4.0 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#399#399	Qwen3.5-9Bmedium	4.0	Qwen	$0.106	110.18s
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 8.7 試行ごとの合格率 26.1% 不安定なテスト 6 入力トークン 387,323 出力トークン 48,562 推論トークン 410,431 応答時間（平均） 110.18s 応答時間（合計） 1873.00s 応答時間（最大） 569.97s タイムアウト: 11 回答なし: 3 不正解: 2 API エラー: 1 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 : 5.2 反AIトリック : 5.1 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 2.8 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
#196#196	Ember-1high	6.9	Fireworks	$2.405	58.14s
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 8.6 試行ごとの合格率 71.0% 不安定なテスト 8 入力トークン 195,489 出力トークン 12,475 推論トークン 108,748 応答時間（平均） 58.14s 応答時間（合計） 1337.19s 応答時間（最大） 255.06s API エラー: 7 不正解: 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 : 6.1 反AIトリック : 8.7 コーディング : 8.2 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 : 10.0 指示追従 : 7.1 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#214#214	Ember-1max	6.7	Fireworks	$3.264	97.34s
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 8.3 試行ごとの合格率 59.4% 不安定なテスト 6 入力トークン 153,399 出力トークン 7,803 推論トークン 179,098 応答時間（平均） 97.34s 応答時間（合計） 2238.73s 応答時間（最大） 587.08s API エラー: 8 不正解: 3 回答なし: 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 : 5.2 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 3.6 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 : 3.0 雑学 : 3.0
#371#371	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
#154#154	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
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 8.0 試行ごとの合格率 65.2% 不安定なテスト 7 入力トークン 244,499 出力トークン 8,744 推論トークン 375,349 応答時間（平均） 100.65s 応答時間（合計） 2314.88s 応答時間（最大） 626.58s 不正解: 6 API エラー: 4 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 : 10.0 反AIトリック : 6.9 コーディング : 8.9 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 4.7 雑学 : 3.0
#407#407	Xing4.0 29b A4bmedium	3.7	Xingchen AGI	$0.000	371.69s
モデルカードを見る合計テスト数 23 誤答テスト数 22 信頼性 7.3 試行ごとの合格率 26.1% 不安定なテスト 11 入力トークン 98,467 出力トークン 3,385 推論トークン 104,595 応答時間（平均） 371.69s 応答時間（合計） 8548.88s 応答時間（最大） 971.85s 不正解: 9 タイムアウト: 6 API エラー: 4 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 : 3.8 コーディング : 4.2 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.2 指示追従 : 4.3 パズル解決 : 2.9 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
#326#326	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
#363#363	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
#417#417	Command A+medium	3.4	Cohere	$0.064	91.72s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 118,771 出力トークン 4,127 推論トークン 14,668 応答時間（平均） 91.72s 応答時間（合計） 2109.54s 応答時間（最大） 112.76s API エラー: 22 不正解: 1 エージェントタスク : 5.0 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#423#423	Command A+high	3.2	Cohere	$0.079	89.96s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 117,966 出力トークン 5,149 推論トークン 23,514 応答時間（平均） 89.96s 応答時間（合計） 2069.01s 応答時間（最大） 156.00s API エラー: 22 不正解: 1 エージェントタスク : 3.9 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#427#427	Command A+low	3.0	Cohere	$0.073	92.50s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 1.5% 不安定なテスト 1 入力トークン 114,874 出力トークン 1,992 推論トークン 23,529 応答時間（平均） 92.50s 応答時間（合計） 2127.40s 応答時間（最大） 128.54s API エラー: 22 不正解: 1 エージェントタスク : 2.8 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#426#426	Command A+none	3.0	Cohere	$0.000	77.87s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 0.0 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 0 出力トークン 0 推論トークン 0 応答時間（平均） 77.87s 応答時間（合計） 1791.03s 応答時間（最大） 106.37s API エラー: 23 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 : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#355#355	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
モデルカードを見る合計テスト数 18 誤答テスト数 4 信頼性該当なし試行ごとの合格率 63.8% 不安定なテスト 1 入力トークン 35,955 出力トークン 1,647 推論トークン 91,565 応答時間（平均） 9.75s 応答時間（合計） 175.48s 応答時間（最大） 31.36s 不正解: 3 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 : 8.7 コーディング : 3.3 複合 : 5.0 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 0.0
#359#359	Gemini 3 PRO Previewmedium	4.9	Google	$0.385 ↑	9.05s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性該当なし試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 28,848 出力トークン 1,490 推論トークン 10,102 応答時間（平均） 9.05s 応答時間（合計） 90.53s 応答時間（最大） 26.24s API エラー: 4 不正解: 3 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 : 3.0 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 : 10.0 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
#392#392	Gemini 3.1 Flash Lite Previewhigh	4.3	Google	$2.310	68.14s
モデルカードを見る合計テスト数 16 誤答テスト数 3 信頼性該当なし試行ごとの合格率 56.5% 不安定なテスト 0 入力トークン 28,980 出力トークン 1,283 推論トークン 1,533,310 応答時間（平均） 68.14s 応答時間（合計） 1090.28s 応答時間（最大） 280.52s 不正解: 2 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 : 7.5 コーディング : 0.0 複合 : 5.0 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#398#398	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性該当なし試行ごとの合格率 39.1% 不安定なテスト 0 入力トークン 32,639 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s API エラー: 8 不正解: 2 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 : 1.0 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.0 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
#400#400	Grok 4.20 Multi Agent Betamedium	3.9	X AI	$5.599 ↑	9.69s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 46.4% 不安定なテスト 5 入力トークン 721,952 出力トークン 294,668 推論トークン 305,374 応答時間（平均） 9.69s 応答時間（合計） 155.07s 応答時間（最大） 35.28s 不正解: 4 API エラー: 2 余分な書式: 2 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 : 6.9 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.8 指示追従 : 9.8 パズル解決 : 6.7 ツール呼び出し : 3.0 雑学 : 0.0
#401#401	Hunter Alphamedium	3.9	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 50.7% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 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 : 7.3 コーディング : 1.0 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#411#411	Grok 4.20 Betadefault	3.6	X AI	$0.087 ↓	1.19s
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 29.0% 不安定なテスト 1 入力トークン 40,597 出力トークン 1,657 推論トークン 0 応答時間（平均） 1.19s 応答時間（合計） 21.43s 応答時間（最大） 6.48s 不正解: 10 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 : 0.0 反AIトリック : 4.0 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 : 3.0 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#413#413	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
#414#414	Elephant Alphamedium	3.5	Openrouter	$0.000	1.27s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性該当なし試行ごとの合格率 27.5% 不安定なテスト 1 入力トークン 33,744 出力トークン 2,596 推論トークン 0 応答時間（平均） 1.27s 応答時間（合計） 22.82s 応答時間（最大） 3.70s 不正解: 9 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 : 0.0 反AIトリック : 6.6 コーディング : 3.7 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 : 4.3 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
#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
#416#416	Grok 4.20none	3.4	X AI	$0.057 ↓	1.11s
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 26.1% 不安定なテスト 0 入力トークン 41,313 出力トークン 1,923 推論トークン 0 応答時間（平均） 1.11s 応答時間（合計） 19.96s 応答時間（最大） 6.04s 不正解: 10 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 : 0.0 反AIトリック : 4.8 コーディング : 1.1 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 6.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 0.0

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