AI BENCHY

AIベンチマークリーダーボード

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: 2026-04-24 評価済みモデル数: 115

115/115

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#31#31	Grok 4.20 Betamedium	8.0	X AI	$0.633	9.81s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 74.1% 不安定なテスト: 2 出力トークン: 1,568 推論トークン: 91,909 応答時間: 平均 9.81s · 合計 176.62s · 最大 31.36s 指示に従っていない: 3 不正解: 3 反AIトリック : 8.7 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 : 5.3 汎用知能 : 10.0 指示追従 : 8.3 パズル解決 : 8.2 ツール呼び出し : 3.0
#32#32	Claude Sonnet 4.6medium	8.0	Anthropic	$1.161	12.66s
モデルカードを見る合計テスト数: 18 誤答テスト数: 5 信頼性: 該当なし試行ごとの合格率: 74.1% 不安定なテスト: 1 出力トークン: 42,068 推論トークン: 26,784 応答時間: 平均 12.66s · 合計 126.62s · 最大 46.35s 余分な書式: 2 不正解: 2 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 : 2.9 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
#33#33	DeepSeek V3.2medium	8.0	DeepSeek	$0.028	43.49s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 79.6% 不安定なテスト: 4 出力トークン: 7,554 推論トークン: 45,588 応答時間: 平均 43.49s · 合計 782.73s · 最大 180.92s 不正解: 3 タイムアウト: 2 指示に従っていない: 1 反AIトリック : 8.4 コーディング : 4.7 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 : 5.4 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0
#34#34	GPT-5.2 Chatnone	7.9	OpenAI	$0.291	6.84s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 75.9% 不安定なテスト: 3 出力トークン: 17,346 推論トークン: 0 応答時間: 平均 6.84s · 合計 123.17s · 最大 38.52s 不正解: 5 指示に従っていない: 1 反AIトリック : 8.7 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 : 5.3 汎用知能 : 4.4 指示追従 : 7.5 パズル解決 : 7.7 ツール呼び出し : 10.0
#35#35	Gemini 3.1 Flash Lite Previewnone	7.9	Google	$0.016	1.30s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 70.4% 不安定なテスト: 1 出力トークン: 5,361 推論トークン: 0 応答時間: 平均 1.30s · 合計 23.42s · 最大 3.39s 不正解: 4 指示に従っていない: 2 反AIトリック : 7.5 コーディング : 10.0 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
#36#36	Step 3.5 Flashmedium	7.9	Stepfun	$0.000	26.78s
モデルカードを見る合計テスト数: 17 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 70.6% 不安定なテスト: 2 出力トークン: 71,904 推論トークン: 155,607 応答時間: 平均 26.78s · 合計 294.58s · 最大 170.45s 指示に従っていない: 3 不正解: 3 反AIトリック : 10.0 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 : 5.5 指示追従 : 8.5 パズル解決 : 5.3 ツール呼び出し : 10.0
#37#37	DeepSeek V4 Flashhigh	7.8	DeepSeek	$0.021	47.47s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 79.6% 不安定なテスト: 5 出力トークン: 1,757 推論トークン: 55,907 応答時間: 平均 47.47s · 合計 854.45s · 最大 255.28s 不正解: 4 指示に従っていない: 3 反AIトリック : 8.3 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 : 4.1 汎用知能 : 6.1 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0
#38#38	GLM 5V Turbomedium	7.8	Z.ai	$0.291	14.96s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 77.8% 不安定なテスト: 6 出力トークン: 2,351 推論トークン: 58,941 応答時間: 平均 14.96s · 合計 269.32s · 最大 67.08s 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 7.2 コーディング : 10.0 複合 : 6.9 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 : 7.7 ツール呼び出し : 7.0
#39#39	Qwen3.5-Flashmedium	7.8	Qwen	$0.080	66.72s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 81.5% 不安定なテスト: 6 出力トークン: 2,073 推論トークン: 191,899 応答時間: 平均 66.72s · 合計 1201.03s · 最大 234.29s タイムアウト: 4 API エラー: 1 指示に従っていない: 1 不正解: 1 反AIトリック : 10.0 コーディング : 4.7 複合 : 10.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 6.1 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0
#40#40	GLM 5.1medium	7.8	Z.ai	$0.201	24.13s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 75.9% 不安定なテスト: 3 出力トークン: 8,005 推論トークン: 49,090 応答時間: 平均 24.13s · 合計 410.25s · 最大 118.52s 不正解: 3 タイムアウト: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 4.7 複合 : 9.5 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 : 6.4 パズル解決 : 8.2 ツール呼び出し : 3.0
#41#41	MiMo-V2.5medium	7.8	Xiaomi	$0.253	13.71s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 74.1% 不安定なテスト: 3 出力トークン: 2,840 推論トークン: 116,242 応答時間: 平均 13.71s · 合計 246.73s · 最大 86.93s 余分な書式: 2 不正解: 2 指示に従っていない: 1 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 : 2.7 ドメイン特化 : 5.3 汎用知能 : 3.8 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0
#42#42	Kimi K2.6medium	7.7	Moonshot AI	$0.722	45.20s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 74.1% 不安定なテスト: 4 出力トークン: 80,759 推論トークン: 179,814 応答時間: 平均 45.20s · 合計 768.37s · 最大 215.85s 指示に従っていない: 3 タイムアウト: 2 不正解: 2 反AIトリック : 7.0 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 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 5.0 ツール呼び出し : 10.0
#43#43	MiMo-V2-Omnimedium	7.7	Xiaomi	$0.153	16.76s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 61.1% 不安定なテスト: 0 出力トークン: 928 推論トークン: 72,661 応答時間: 平均 16.76s · 合計 301.61s · 最大 158.78s 不正解: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 4.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 8.3 パズル解決 : 6.5 ツール呼び出し : 10.0
#44#44	GPT-5.3 Chatnone	7.7	OpenAI	$0.340	5.88s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 68.5% 不安定なテスト: 3 出力トークン: 20,784 推論トークン: 0 応答時間: 平均 5.88s · 合計 105.90s · 最大 18.33s 不正解: 5 指示に従っていない: 2 反AIトリック : 6.7 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 : 3.5 汎用知能 : 4.6 指示追従 : 8.3 パズル解決 : 10.0 ツール呼び出し : 10.0
#45#45	Claude Opus 4.6medium	7.6	Anthropic	$1.446	21.08s
モデルカードを見る合計テスト数: 18 誤答テスト数: 6 信頼性: 該当なし試行ごとの合格率: 70.4% 不安定なテスト: 2 出力トークン: 29,829 推論トークン: 18,938 応答時間: 平均 21.08s · 合計 231.84s · 最大 83.40s 余分な書式: 4 不正解: 2 反AIトリック : 6.4 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 : 3.0 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
#46#46	GPT-5.4 Nanomedium	7.6	OpenAI	$0.083	11.21s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 68.5% 不安定なテスト: 2 出力トークン: 2,946 推論トークン: 58,132 応答時間: 平均 11.21s · 合計 201.80s · 最大 94.06s 不正解: 4 指示に従っていない: 3 反AIトリック : 8.3 コーディング : 10.0 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 4.0 ツール呼び出し : 10.0
#47#47	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.037	69.70s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 66.7% 不安定なテスト: 2 出力トークン: 2,419 推論トークン: 79,238 応答時間: 平均 69.70s · 合計 1045.47s · 最大 262.83s タイムアウト: 4 不正解: 2 指示に従っていない: 1 反AIトリック : 6.6 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 : 3.0 汎用知能 : 5.1 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0
#48#48	GPT-5.2medium	7.5	OpenAI	$0.352	14.04s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 72.2% 不安定なテスト: 4 出力トークン: 2,705 推論トークン: 18,977 応答時間: 平均 14.04s · 合計 154.41s · 最大 77.80s 指示に従っていない: 3 不正解: 2 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 : 7.7 ツール呼び出し : 4.7
#49#49	MiMo-V2-Flashmedium	7.5	Xiaomi	$0.038	23.36s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 70.4% 不安定なテスト: 3 出力トークン: 12,387 推論トークン: 115,182 応答時間: 平均 23.36s · 合計 280.34s · 最大 96.01s 不正解: 3 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 反AIトリック : 8.1 コーディング : 4.7 複合 : 9.8 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0
#50#50	Claude Sonnet 4.6none	7.4	Anthropic	$0.262	4.98s
モデルカードを見る合計テスト数: 18 誤答テスト数: 7 信頼性: 該当なし試行ごとの合格率: 64.8% 不安定なテスト: 1 出力トークン: 7,433 推論トークン: 0 応答時間: 平均 4.98s · 合計 54.83s · 最大 23.84s 余分な書式: 3 不正解: 3 指示に従っていない: 1 反AIトリック : 4.8 コーディング : 10.0 複合 : 9.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0
#51#51	Qwen3.5-35B-A3Bmedium	7.4	Qwen	$0.398	44.51s
モデルカードを見る合計テスト数: 18 誤答テスト数: 8 信頼性: 該当なし試行ごとの合格率: 79.6% 不安定なテスト: 7 出力トークン: 10,137 推論トークン: 208,761 応答時間: 平均 44.51s · 合計 801.21s · 最大 106.00s タイムアウト: 4 不正解: 2 API エラー: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 4.1 汎用知能 : 2.8 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0
#52#52	GPT-5.4 Minimedium	7.3	OpenAI	$0.299	15.22s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 70.4% 不安定なテスト: 6 出力トークン: 2,131 推論トークン: 59,567 応答時間: 平均 15.22s · 合計 273.90s · 最大 102.91s 指示に従っていない: 5 不正解: 4 反AIトリック : 8.6 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 : 4.1 汎用知能 : 4.5 指示追従 : 7.4 パズル解決 : 6.8 ツール呼び出し : 4.7
#53#53	GPT-5 Minimedium	7.0	OpenAI	$0.128	23.98s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 61.1% 不安定なテスト: 3 出力トークン: 6,379 推論トークン: 53,482 応答時間: 平均 23.98s · 合計 431.56s · 最大 88.15s 指示に従っていない: 4 不正解: 4 タイムアウト: 1 反AIトリック : 7.1 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 : 3.6 汎用知能 : 4.5 指示追従 : 8.0 パズル解決 : 5.6 ツール呼び出し : 10.0
#54#54	Kimi K2.5medium	7.0	Moonshot AI	$0.220	72.43s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 72.2% 不安定なテスト: 7 出力トークン: 42,176 推論トークン: 84,870 応答時間: 平均 72.43s · 合計 796.70s · 最大 150.77s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 回答なし: 1 反AIトリック : 7.3 コーディング : 4.7 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 6.5 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0
#55#55	Grok 4.20medium	7.0	X AI	$0.743	10.33s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 66.7% 不安定なテスト: 5 出力トークン: 1,744 推論トークン: 109,882 応答時間: 平均 10.33s · 合計 185.87s · 最大 29.87s 指示に従っていない: 4 不正解: 3 API エラー: 1 余分な書式: 1 反AIトリック : 8.2 コーディング : 4.3 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 : 5.8 指示追従 : 7.3 パズル解決 : 6.4 ツール呼び出し : 3.0
#56#56	Gemma 4 31Bnone	6.9	Google	$0.003	4.02s
モデルカードを見る合計テスト数: 18 誤答テスト数: 8 信頼性: 該当なし試行ごとの合格率: 55.6% 不安定なテスト: 0 出力トークン: 1,359 推論トークン: 0 応答時間: 平均 4.02s · 合計 64.33s · 最大 26.13s 不正解: 5 API エラー: 2 指示に従っていない: 1 反AIトリック : 6.5 コーディング : 10.0 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 : 10.0 指示追従 : 6.5 パズル解決 : 5.5 ツール呼び出し : 3.0
#57#57	Qwen3.5 Plus 2026-02-15none	6.8	Qwen	$0.017	2.60s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 53.7% 不安定なテスト: 2 出力トークン: 2,461 推論トークン: 0 応答時間: 平均 2.60s · 合計 31.23s · 最大 6.65s 不正解: 9 反AIトリック : 4.8 コーディング : 6.3 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 : 4.4 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0
#58#58	GPT-5.5none	6.8	OpenAI	$0.195	1.83s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 61.1% 不安定なテスト: 4 出力トークン: 1,910 推論トークン: 0 応答時間: 平均 1.83s · 合計 32.86s · 最大 5.56s 不正解: 8 指示に従っていない: 1 反AIトリック : 6.9 コーディング : 10.0 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 : 10.0 指示追従 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0
#59#59	Hunter Alphamedium	6.7	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: 64.8% 不安定なテスト: 6 出力トークン: 4,724 推論トークン: 17,921 応答時間: 平均 10.33s · 合計 175.60s · 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 反AIトリック : 7.3 コーディング : 3.0 複合 : 4.7 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
#60#60	Nemotron 3 Supermedium	6.7	NVIDIA	$0.000	19.06s
モデルカードを見る合計テスト数: 18 誤答テスト数: 9 信頼性: 該当なし試行ごとの合格率: 55.6% 不安定なテスト: 3 出力トークン: 11,947 推論トークン: 29,768 応答時間: 平均 19.06s · 合計 305.04s · 最大 87.80s 指示に従っていない: 4 不正解: 3 API エラー: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 3.0 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 : 3.8 指示追従 : 7.2 パズル解決 : 3.5 ツール呼び出し : 10.0

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7none Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsSeed-2.0-Litemedium Gemini 3 Flash PreviewmediumvsHY3 Previewhigh無料で利用可能 Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsClaude Opus 4.7none Claude Opus 4.7nonevsGPT-5.5medium GPT-5.5mediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsSeed-2.0-Litemedium

AIベンチマーク リーダーボード

モデルを絞り込む

クイック比較

AIベンチマークリーダーボード