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）
#366#366	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
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 10.0 試行ごとの合格率 53.6% 不安定なテスト 4 入力トークン 29,134 出力トークン 1,984 推論トークン 1,355,583 応答時間（平均） 61.96s 応答時間（合計） 1115.31s 応答時間（最大） 149.23s 不正解: 4 指示に従っていない: 3 回答なし: 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 : 3.6 汎用知能 : 5.0 指示追従 : 7.3 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 0.0
#68#68	Seed 2.1 Turbomedium	8.7	Bytedance Seed	$2.042	189.13s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 5 入力トークン 234,572 出力トークン 8,019 推論トークン 761,563 応答時間（平均） 189.13s 応答時間（合計） 4349.92s 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 エージェントタスク : 10.0 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
#54#54	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 9.9 試行ごとの合格率 75.4% 不安定なテスト 5 入力トークン 277,967 出力トークン 9,240 推論トークン 383,606 応答時間（平均） 28.15s 応答時間（合計） 647.40s 応答時間（最大） 192.00s 不正解: 4 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 : 10.0 反AIトリック : 7.1 コーディング : 10.0 複合 : 8.0 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#153#153	Grok 4.7low	7.4	X AI	$1.933	63.19s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 5 入力トークン 365,119 出力トークン 8,118 推論トークン 247,211 応答時間（平均） 63.19s 応答時間（合計） 1453.28s 応答時間（最大） 389.63s 不正解: 6 回答なし: 2 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 10.0 コーディング : 8.4 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 : 4.1 指示追従 : 8.4 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.927	40.60s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.6% 不安定なテスト 1 入力トークン 334,568 出力トークン 11,394 推論トークン 435,334 応答時間（平均） 40.60s 応答時間（合計） 933.73s 応答時間（最大） 177.08s 回答なし: 1 エージェントタスク : 10.0 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 : 8.2 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 : 10.0
#42#42	Seed 2.1 Turbohigh	9.1	Bytedance Seed	$1.892	170.52s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 3 入力トークン 246,954 出力トークン 8,378 推論トークン 698,942 応答時間（平均） 170.52s 応答時間（合計） 3922.04s 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 エージェントタスク : 10.0 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
#39#39	Muse Spark 1.3high	9.1	Meta	$1.891	52.87s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 78.3% 不安定なテスト 2 入力トークン 257,320 出力トークン 14,459 推論トークン 354,683 応答時間（平均） 52.87s 応答時間（合計） 1216.04s 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 エージェントタスク : 10.0 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
#58#58	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 6 入力トークン 218,199 出力トークン 175,696 推論トークン 0 応答時間（平均） 28.26s 応答時間（合計） 649.90s 応答時間（最大） 151.76s 不正解: 6 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 : 10.0 反AIトリック : 7.5 コーディング : 10.0 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.5 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#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
#23#23	GPT-5.5low	9.5	OpenAI	$1.822	11.91s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 87.0% 不安定なテスト 0 入力トークン 177,939 出力トークン 6,283 推論トークン 24,782 応答時間（平均） 11.91s 応答時間（合計） 273.82s 応答時間（最大） 56.19s 不正解: 3 エージェントタスク : 10.0 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 89.9% 不安定なテスト 1 入力トークン 290,117 出力トークン 9,805 推論トークン 22,322 応答時間（平均） 25.85s 応答時間（合計） 594.63s 応答時間（最大） 90.20s 不正解: 2 回答なし: 1 エージェントタスク : 10.0 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 : 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
#17#17	Gemini 4 Argonhigh	9.5	Google	$1.802	19.03s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 9.9 試行ごとの合格率 97.1% 不安定なテスト 2 入力トークン 240,264 出力トークン 5,707 推論トークン 126,366 応答時間（平均） 19.03s 応答時間（合計） 437.77s 応答時間（最大） 82.53s API エラー: 1 不正解: 1 エージェントタスク : 10.0 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 : 8.2 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 : 10.0
#30#30	Muse Spark Openhigh	9.2	Meta	$1.782	151.96s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 9.4 試行ごとの合格率 76.8% 不安定なテスト 1 入力トークン 270,889 出力トークン 10,688 推論トークン 328,857 応答時間（平均） 151.96s 応答時間（合計） 3495.01s 応答時間（最大） 960.01s タイムアウト: 2 不正解: 2 API エラー: 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 : 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 : 3.6 汎用知能 : 10.0 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
#265#265	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 4 入力トークン 246,061 出力トークン 3,828 推論トークン 149,767 応答時間（平均） 14.13s 応答時間（合計） 268.55s 応答時間（最大） 85.26s API エラー: 4 不正解: 4 無効なツール呼び出し: 1 エージェントタスク : 2.8 反AIトリック : 10.0 コーディング : 8.8 複合 : 3.0 データ解析と抽出 : 6.5 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 : 2.8
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 88.4% 不安定なテスト 2 入力トークン 308,056 出力トークン 9,434 推論トークン 15,572 応答時間（平均） 25.68s 応答時間（合計） 590.71s 応答時間（最大） 89.16s 不正解: 2 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 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 : 5.9 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#47#47	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 85.5% 不安定なテスト 3 入力トークン 250,676 出力トークン 13,511 推論トークン 315,400 応答時間（平均） 39.83s 応答時間（合計） 916.20s 応答時間（最大） 219.77s 不正解: 4 無効なツール呼び出し: 1 エージェントタスク : 10.0 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
#20#20	GPT-5.6 Solmedium	9.5	OpenAI	$1.700	14.57s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 91.3% 不安定なテスト 3 入力トークン 191,341 出力トークン 5,665 推論トークン 32,340 応答時間（平均） 14.57s 応答時間（合計） 335.16s 応答時間（最大） 79.40s 不正解: 4 エージェントタスク : 10.0 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 : 5.9 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 4.7
#79#79	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 85.5% 不安定なテスト 4 入力トークン 367,848 出力トークン 8,753 推論トークン 250,279 応答時間（平均） 48.35s 応答時間（合計） 1112.11s 応答時間（最大） 556.06s 不正解: 5 無効なツール呼び出し: 1 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 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
#56#56	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 305,707 出力トークン 10,240 推論トークン 291,479 応答時間（平均） 27.02s 応答時間（合計） 621.38s 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 エージェントタスク : 10.0 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
#29#29	Seed 2.1 Turbolow	9.3	Bytedance Seed	$1.645	161.25s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 2 入力トークン 241,855 出力トークン 8,387 推論トークン 600,946 応答時間（平均） 161.25s 応答時間（合計） 3708.70s 応答時間（最大） 739.98s 不正解: 3 回答なし: 2 エージェントタスク : 10.0 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 : 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
#43#43	Muse Wonderminimal	9.1	Meta	$1.639	7.72s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 9.7 試行ごとの合格率 76.8% 不安定なテスト 2 入力トークン 238,532 出力トークン 9,812 推論トークン 24,412 応答時間（平均） 7.72s 応答時間（合計） 177.57s 応答時間（最大） 42.89s API エラー: 3 不正解: 3 エージェントタスク : 10.0 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#22#22	GPT-5.6 Solhigh	9.5	OpenAI	$1.595 ↑	13.59s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 89.9% 不安定なテスト 3 入力トークン 195,567 出力トークン 5,841 推論トークン 26,230 応答時間（平均） 13.59s 応答時間（合計） 312.61s 応答時間（最大） 59.99s 不正解: 4 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 : 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 : 10.0 ツール呼び出し : 10.0 雑学 : 4.7
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
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 10.0 試行ごとの合格率 60.9% 不安定なテスト 4 入力トークン 226,880 出力トークン 65,346 推論トークン 331,325 応答時間（平均） 121.25s 応答時間（合計） 2667.55s 応答時間（最大） 876.20s 不正解: 4 タイムアウト: 3 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 : 5.0 反AIトリック : 7.0 コーディング : 5.7 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 : 10.0 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#55#55	Muse Spark 1.2medium	8.9	Meta	$1.590	21.28s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 75.4% 不安定なテスト 4 入力トークン 292,604 出力トークン 9,569 推論トークン 278,408 応答時間（平均） 21.28s 応答時間（合計） 489.46s 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 エージェントタスク : 10.0 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
#85#85	Gemini 3.1 Pro Previewmedium	8.4	Google	$1.585	22.71s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 9.8 試行ごとの合格率 89.9% 不安定なテスト 1 入力トークン 176,208 出力トークン 6,093 推論トークン 96,598 応答時間（平均） 22.71s 応答時間（合計） 386.11s 応答時間（最大） 88.68s 不正解: 2 タイムアウト: 1 エージェントタスク : 4.7 反AIトリック : 10.0 コーディング : 7.9 複合 : 9.8 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 : 10.0

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