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: 2026-09-04 評価済みモデル数: 316

316/316

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#31#31	Muse Spark 1.3high	8.9	Meta	$1.653	52.49s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 99,143 出力トークン 12,083 推論トークン 347,525 応答時間（平均） 52.49s 応答時間（合計） 1154.76s 応答時間（最大） 251.53s 不正解: 3 指示に従っていない: 2 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 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 : 10.0 指示追従 : 6.5 パズル解決 : 8.7 ツール呼び出し : 9.6 雑学 : 3.0
#32#32	Seed 2.1 Turbohigh	8.9	Bytedance Seed	$1.797	173.96s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 3 入力トークン 104,695 出力トークン 6,645 推論トークン 691,086 応答時間（平均） 173.96s 応答時間（合計） 3827.19s 応答時間（最大） 584.71s 不正解: 4 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 10.0 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 : 6.5 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
#33#33	Gemini 3.5 Flashlow	8.8	Google	$0.449	5.76s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 84.9% 不安定なテスト 2 入力トークン 87,826 出力トークン 2,239 推論トークン 32,956 応答時間（平均） 5.76s 応答時間（合計） 126.71s 応答時間（最大） 53.55s 不正解: 3 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 7.8 複合 : 8.2 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#34#34	Muse Spark 1.3medium	8.8	Meta	$1.469	38.57s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 84.9% 不安定なテスト 3 入力トークン 89,177 出力トークン 11,044 推論トークン 308,220 応答時間（平均） 38.57s 応答時間（合計） 848.59s 応答時間（最大） 219.77s 不正解: 4 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 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 : 9.6 雑学 : 3.0
#35#35	Gemini 3.5 Flash Litehigh	8.8	Google	$0.540	10.05s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 2 入力トークン 93,046 出力トークン 5,884 推論トークン 198,741 応答時間（平均） 10.05s 応答時間（合計） 221.06s 応答時間（最大） 36.22s 不正解: 5 反AIトリック : 10.0 コーディング : 8.4 複合 : 9.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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
#36#36	Claude Opus 4.8medium	8.8	Anthropic	$1.983	12.97s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 2 入力トークン 138,448 出力トークン 40,765 推論トークン 11,162 応答時間（平均） 12.97s 応答時間（合計） 285.29s 応答時間（最大） 70.54s 不正解: 4 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 9.9 データ解析と抽出 : 7.1 ドメイン特化 : 3.6 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
#37#37	Claude Opus 5low	8.7	Anthropic	$1.121	6.99s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 134,770 出力トークン 13,604 推論トークン 4,388 応答時間（平均） 6.99s 応答時間（合計） 153.80s 応答時間（最大） 30.67s 不正解: 4 反AIトリック : 10.0 コーディング : 7.8 複合 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#38#38	Gemini 3.6 Flashlow	8.7	Google	$0.251 ↓	4.92s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 89.4% 不安定なテスト 3 入力トークン 85,886 出力トークン 5,489 推論トークン 44,232 応答時間（平均） 4.92s 応答時間（合計） 108.28s 応答時間（最大） 30.83s 不正解: 4 反AIトリック : 8.7 コーディング : 7.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 7.6 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 : 10.0
#39#39	GLM 5.3 Flashmax	8.7	Z.ai	$0.059	52.10s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 3 入力トークン 96,873 出力トークン 7,637 推論トークン 196,703 応答時間（平均） 52.10s 応答時間（合計） 1146.24s 応答時間（最大） 333.47s 不正解: 2 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 反AIトリック : 10.0 コーディング : 10.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Claude Opus 4.7medium	8.7	Anthropic	$1.476	7.62s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 145,249 出力トークン 24,948 推論トークン 5,042 応答時間（平均） 7.62s 応答時間（合計） 159.94s 応答時間（最大） 65.40s 不正解: 3 タイムアウト: 1 反AIトリック : 8.3 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 : 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
#42#42	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 74.2% 不安定なテスト 4 入力トークン 123,680 出力トークン 7,222 推論トークン 271,442 応答時間（平均） 19.67s 応答時間（合計） 432.72s 応答時間（最大） 142.49s 指示に従っていない: 3 不正解: 3 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 10.0 複合 : 8.5 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 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#43#43	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 72.7% 不安定なテスト 2 入力トークン 142,147 出力トークン 7,905 推論トークン 284,247 応答時間（平均） 26.25s 応答時間（合計） 577.47s 応答時間（最大） 165.38s 不正解: 4 指示に従っていない: 2 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 7.9 ツール呼び出し : 9.8 雑学 : 3.0
#44#44	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 1 入力トークン 89,640 出力トークン 33,092 推論トークン 9,054 応答時間（平均） 15.01s 応答時間（合計） 330.15s 応答時間（最大） 80.80s 回答なし: 3 無効なツール呼び出し: 1 不正解: 1 反AIトリック : 10.0 コーディング : 10.0 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#45#45	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 2 入力トークン 79,249 出力トークン 5,097 推論トークン 165,276 応答時間（平均） 66.52s 応答時間（合計） 1463.50s 応答時間（最大） 238.07s 不正解: 4 タイムアウト: 1 反AIトリック : 10.0 コーディング : 8.8 複合 : 7.3 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 : 10.0 雑学 : 3.0
#46#46	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 99,181 出力トークン 6,132 推論トークン 77,689 応答時間（平均） 21.83s 応答時間（合計） 480.37s 応答時間（最大） 155.75s 不正解: 5 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 8.4 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 : 6.5 指示追従 : 10.0 パズル解決 : 9.9 ツール呼び出し : 10.0 雑学 : 3.0
#47#47	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 4 入力トークン 81,136 出力トークン 6,155 推論トークン 84,311 応答時間（平均） 22.85s 応答時間（合計） 502.78s 応答時間（最大） 100.41s 不正解: 5 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 8.8 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.7 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#48#48	Grok 4.5medium	8.5	X AI	$2.042	68.59s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 3 入力トークン 122,155 出力トークン 5,514 推論トークン 293,946 応答時間（平均） 68.59s 応答時間（合計） 1508.91s 応答時間（最大） 436.38s 不正解: 5 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 : 5.3 汎用知能 : 6.5 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
#49#49	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 3 入力トークン 101,811 出力トークン 8,025 推論トークン 115,938 応答時間（平均） 9.77s 応答時間（合計） 214.83s 応答時間（最大） 47.80s 不正解: 4 指示に従っていない: 3 反AIトリック : 9.2 コーディング : 8.4 複合 : 9.8 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 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#50#50	Grok 4.6medium	8.4	X AI	$1.713	73.46s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 4 入力トークン 106,787 出力トークン 4,811 推論トークン 244,997 応答時間（平均） 73.46s 応答時間（合計） 1616.12s 応答時間（最大） 514.35s 不正解: 5 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 8.2 複合 : 10.0 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 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#51#51	Grok 4.5low	8.4	X AI	$0.945	16.17s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 125,605 出力トークン 7,505 推論トークン 107,984 応答時間（平均） 16.17s 応答時間（合計） 355.67s 応答時間（最大） 205.28s 不正解: 6 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.1 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
#52#52	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 72.7% 不安定なテスト 4 入力トークン 105,013 出力トークン 9,914 推論トークン 61,338 応答時間（平均） 28.51s 応答時間（合計） 456.13s 応答時間（最大） 116.86s 指示に従っていない: 3 不正解: 3 回答なし: 1 タイムアウト: 1 反AIトリック : 6.5 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 3.7 指示追従 : 9.9 パズル解決 : 7.5 ツール呼び出し : 4.7 雑学 : 3.0
#54#54	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 5 入力トークン 104,433 出力トークン 6,511 推論トークン 752,680 応答時間（平均） 193.59s 応答時間（合計） 4258.98s 応答時間（最大） 885.33s 不正解: 5 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 8.2 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 : 6.1 指示追従 : 9.8 パズル解決 : 9.9 ツール呼び出し : 10.0 雑学 : 3.0
#55#55	Inkling Smallhigh	8.4	Thinkingmachines	$0.398 ↓	30.43s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 2 入力トークン 85,669 出力トークン 6,092 推論トークン 292,801 応答時間（平均） 30.43s 応答時間（合計） 669.38s 応答時間（最大） 122.60s 不正解: 6 指示に従っていない: 2 反AIトリック : 10.0 コーディング : 10.0 複合 : 9.9 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 : 9.8 パズル解決 : 4.8 ツール呼び出し : 3.0 雑学 : 3.0
#56#56	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 4 入力トークン 141,878 出力トークン 11,033 推論トークン 105,456 応答時間（平均） 11.89s 応答時間（合計） 261.69s 応答時間（最大） 54.15s 不正解: 5 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 7.9 コーディング : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 7.3 パズル解決 : 8.3 ツール呼び出し : 9.8 雑学 : 3.0
#57#57	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 6 入力トークン 135,112 出力トークン 7,594 推論トークン 23,558 応答時間（平均） 11.67s 応答時間（合計） 256.73s 応答時間（最大） 36.59s 不正解: 3 回答なし: 2 余分な書式: 1 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 7.0 複合 : 10.0 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 : 7.3 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 2.8

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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium