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: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#304#304	Qwen3.5-9Bmedium	3.8	Qwen	$0.062 ↑	107.51s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 6.0 試行ごとの合格率 25.8% 不安定なテスト 5 入力トークン 17,195 出力トークン 46,735 推論トークン 366,707 応答時間（平均） 107.51s 応答時間（合計） 1720.15s 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 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
#165#165	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 60.6% 不安定なテスト 7 入力トークン 106,176 出力トークン 33,013 推論トークン 239,560 応答時間（平均） 106.06s 応答時間（合計） 2333.36s 応答時間（最大） 1085.11s 不正解: 5 回答なし: 3 無効なツール呼び出し: 2 余分な書式: 1 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 7.7 複合 : 6.7 データ解析と抽出 : 3.5 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#149#149	Gemma 4 26B A4Bmedium	6.8	Google	$0.092 ↓	104.93s
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 69.7% 不安定なテスト 1 入力トークン 77,528 出力トークン 26,048 推論トークン 227,598 応答時間（平均） 104.93s 応答時間（合計） 2203.52s 応答時間（最大） 912.19s 回答なし: 2 タイムアウト: 2 不正解: 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 : 2.9 複合 : 6.3 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
#142#142	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 7.3 試行ごとの合格率 63.6% 不安定なテスト 7 入力トークン 76,036 出力トークン 7,267 推論トークン 364,176 応答時間（平均） 101.05s 応答時間（合計） 2223.19s 応答時間（最大） 626.58s API エラー: 6 不正解: 4 余分な書式: 1 指示に従っていない: 1 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
#134#134	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 8 入力トークン 118,496 出力トークン 53,522 推論トークン 167,420 応答時間（平均） 98.19s 応答時間（合計） 1571.05s 応答時間（最大） 281.00s 不正解: 5 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 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 : 6.1 複合 : 6.7 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#194#194	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.0% 不安定なテスト 5 入力トークン 122,854 出力トークン 119,810 推論トークン 698,549 応答時間（平均） 96.61s 応答時間（合計） 2125.51s 応答時間（最大） 540.96s 不正解: 7 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: 2 回答なし: 1 反AIトリック : 8.3 コーディング : 5.3 複合 : 5.2 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 : 4.4 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#58#58	Muse Glimmer 30Bxhigh	8.1	Meta	$0.510 ↓	95.55s
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 9.9 試行ごとの合格率 69.7% 不安定なテスト 4 入力トークン 110,930 出力トークン 116,373 推論トークン 330,471 応答時間（平均） 95.55s 応答時間（合計） 2102.12s 応答時間（最大） 576.79s 不正解: 4 回答なし: 3 指示に従っていない: 1 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 : 6.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#133#133	Seed-2.0-Minimedium	7.0	Bytedance Seed	$0.116	93.10s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 8.7 試行ごとの合格率 57.6% 不安定なテスト 3 入力トークン 125,704 出力トークン 10,781 推論トークン 247,541 応答時間（平均） 93.10s 応答時間（合計） 1768.91s 応答時間（最大） 301.78s 不正解: 5 タイムアウト: 4 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.6 コーディング : 5.5 複合 : 7.3 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 雑学 : 3.0
#83#83	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.489 ↑	92.50s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 6 入力トークン 90,757 出力トークン 22,928 推論トークン 186,516 応答時間（平均） 92.50s 応答時間（合計） 2035.01s 応答時間（最大） 416.76s 不正解: 7 指示に従っていない: 2 API エラー: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 5.7 コーディング : 6.3 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 : 10.0 指示追従 : 7.8 パズル解決 : 6.9 ツール呼び出し : 9.8 雑学 : 3.0
#94#94	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
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 5 入力トークン 113,569 出力トークン 9,823 推論トークン 264,886 応答時間（平均） 91.76s 応答時間（合計） 1376.42s 応答時間（最大） 304.85s 不正解: 4 タイムアウト: 2 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 8.2 コーディング : 6.6 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 : 4.7 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
#291#291	Granite 4.2 8Bnone	4.3	IBM Granite	$0.026	86.27s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 8.6 試行ごとの合格率 16.7% 不安定なテスト 2 入力トークン 57,786 出力トークン 130,805 推論トークン 0 応答時間（平均） 86.27s 応答時間（合計） 1897.96s 応答時間（最大） 747.17s 不正解: 11 余分な書式: 4 タイムアウト: 3 指示に従っていない: 1 反AIトリック : 4.9 コーディング : 5.5 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 : 5.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#189#189	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 48.5% 不安定なテスト 6 入力トークン 118,486 出力トークン 156,166 推論トークン 860,619 応答時間（平均） 85.44s 応答時間（合計） 1879.75s 応答時間（最大） 525.14s 不正解: 8 指示に従っていない: 4 無効なツール呼び出し: 2 反AIトリック : 6.8 コーディング : 7.5 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 5.2 ツール呼び出し : 10.0 雑学 : 3.0
#261#261	Laguna S 2.1low	5.0	Poolside	$0.082 ↓	85.34s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 22.7% 不安定なテスト 5 入力トークン 118,752 出力トークン 67,823 推論トークン 383,885 応答時間（平均） 85.34s 応答時間（合計） 1877.49s 応答時間（最大） 814.73s 不正解: 15 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 反AIトリック : 3.4 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 : 3.0 汎用知能 : 4.8 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#114#114	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.066 ↓	84.66s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 8 入力トークン 89,819 出力トークン 58,398 推論トークン 492,457 応答時間（平均） 84.66s 応答時間（合計） 1862.46s 応答時間（最大） 288.78s 不正解: 5 回答なし: 3 余分な書式: 1 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 8.2 コーディング : 6.4 複合 : 7.3 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 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#187#187	Qwen3.5-Flashmedium	6.1	Qwen	$0.142 ↓	84.44s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 6 入力トークン 118,508 出力トークン 35,457 推論トークン 477,389 応答時間（平均） 84.44s 応答時間（合計） 1773.20s 応答時間（最大） 515.38s 不正解: 5 タイムアウト: 3 API エラー: 1 指示に従っていない: 1 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 : 3.7 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 : 6.1 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
#12#12	Grok 4.6high	9.3	X AI	$1.908	84.15s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 86.4% 不安定なテスト 0 入力トークン 107,275 出力トークン 5,094 推論トークン 277,123 応答時間（平均） 84.15s 応答時間（合計） 1851.26s 応答時間（最大） 618.49s 不正解: 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 : 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
#102#102	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.687 ↓	80.09s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 5 入力トークン 72,085 出力トークン 57,453 推論トークン 182,093 応答時間（平均） 80.09s 応答時間（合計） 1681.85s 応答時間（最大） 365.80s 不正解: 6 タイムアウト: 3 API エラー: 1 指示に従っていない: 1 反AIトリック : 7.3 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 : 3.7 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 3.0 雑学 : 3.0
#179#179	Gemma 4 31Bmedium	6.2	Google	$0.100 ↓	78.59s
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 65.2% 不安定なテスト 3 入力トークン 94,969 出力トークン 34,399 推論トークン 233,022 応答時間（平均） 78.59s 応答時間（合計） 1571.84s 応答時間（最大） 437.40s 不正解: 3 API エラー: 2 タイムアウト: 2 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 : 4.3 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 : 10.0 指示追従 : 10.0 パズル解決 : 9.9 ツール呼び出し : 3.0 雑学 : 3.0
#61#61	DeepSeek V4 Flash 0731low	8.0	DeepSeek	$0.044 ↓	77.55s
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 5 入力トークン 93,345 出力トークン 35,723 推論トークン 350,266 応答時間（平均） 77.55s 応答時間（合計） 1706.18s 応答時間（最大） 438.65s 不正解: 7 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 : 7.3 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 6.5 指示追従 : 9.9 パズル解決 : 8.0 ツール呼び出し : 10.0 雑学 : 3.0
#272#272	Trinity Large Thinkinghigh	4.8	Arcee AI	$0.592 ↓	75.86s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 39.4% 不安定なテスト 8 入力トークン 101,776 出力トークン 276,367 推論トークン 656,252 応答時間（平均） 75.86s 応答時間（合計） 1668.93s 応答時間（最大） 510.21s 不正解: 10 指示に従っていない: 4 無効なツール呼び出し: 2 回答なし: 1 反AIトリック : 6.7 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 4.7 ツール呼び出し : 10.0 雑学 : 3.0
#301#301	Ling 3.0 Tinyhigh	3.8	Inclusionai	$0.000	75.68s
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 24.2% 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） 75.68s 応答時間（合計） 1589.20s 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: 1 無効なツール呼び出し: 1 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
#92#92	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 9.7 試行ごとの合格率 62.1% 不安定なテスト 5 入力トークン 121,996 出力トークン 90,051 推論トークン 185,731 応答時間（平均） 75.15s 応答時間（合計） 1578.24s 応答時間（最大） 431.03s 不正解: 4 タイムアウト: 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 : 5.5 コーディング : 6.1 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.2 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#45#45	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
#24#24	Grok 4.5high	9.0	X AI	$2.252 ↑	72.30s
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 86.4% 不安定なテスト 3 入力トークン 152,175 出力トークン 5,655 推論トークン 318,807 応答時間（平均） 72.30s 応答時間（合計） 1590.56s 応答時間（最大） 676.83s 回答なし: 2 不正解: 2 指示に従っていない: 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 : 4.1 汎用知能 : 4.7 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
#81#81	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
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 8.5 試行ごとの合格率 77.3% 不安定なテスト 6 入力トークン 85,657 出力トークン 8,142 推論トークン 233,167 応答時間（平均） 72.24s 応答時間（合計） 1589.31s 応答時間（最大） 485.92s 不正解: 6 API エラー: 2 指示に従っていない: 1 反AIトリック : 8.7 コーディング : 7.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.5 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

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium