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: 2026-06-04 評価済みモデル数: 163

163/163

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#125#125	GPT-5.4none	5.5	OpenAI	$0.122	1.42s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 36.5% 不安定なテスト 2 入力トークン 34,212 出力トークン 2,417 推論トークン 0 応答時間（平均） 1.42s 応答時間（合計） 29.87s 応答時間（最大） 2.95s 不正解: 13 指示に従っていない: 1 反AIトリック : 3.2 コーディング : 5.5 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 : 6.5 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#16#16	Gemini 3 Flash Previewlow	8.4	Google	$0.111	5.76s
モデルカードを見る合計テスト数 21 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 79.4% 不安定なテスト 2 入力トークン 36,769 出力トークン 2,076 推論トークン 28,518 応答時間（平均） 5.76s 応答時間（合計） 120.93s 応答時間（最大） 14.72s 不正解: 5 反AIトリック : 10.0 コーディング : 5.8 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 : 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
#32#32	Gemini 3.5 Flashminimal	7.7	Google	$0.108	1.57s
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 10.0 試行ごとの合格率 68.3% 不安定なテスト 1 入力トークン 39,847 出力トークン 5,277 推論トークン 0 応答時間（平均） 1.57s 応答時間（合計） 33.02s 応答時間（最大） 5.51s 不正解: 5 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 : 6.5 コーディング : 5.6 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 10.0 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#70#70	GPT-5.4 Nanomedium	7.0	OpenAI	$0.107	11.95s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 63.5% 不安定なテスト 4 入力トークン 35,434 出力トークン 3,014 推論トークン 76,520 応答時間（平均） 11.95s 応答時間（合計） 250.98s 応答時間（最大） 94.06s 不正解: 8 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 6.1 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 : 4.1 ツール呼び出し : 10.0 雑学 : 3.0
#43#43	MiMo-V2.5-Promedium	7.5	Xiaomi	$0.106 ↓	26.13s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 68.3% 不安定なテスト 4 入力トークン 40,854 出力トークン 5,015 推論トークン 97,742 応答時間（平均） 26.13s 応答時間（合計） 548.65s 応答時間（最大） 130.77s 余分な書式: 3 不正解: 3 指示に従っていない: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 6.2 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 : 5.5 指示追従 : 9.9 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#106#106	Grok 4.20 Betanone	5.8	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 37.0% 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 反AIトリック : 4.0 コーディング : 5.5 複合 : 3.0 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
#94#94	GPT-5 Nanomedium	6.3	OpenAI	$0.081	42.51s
モデルカードを見る合計テスト数 21 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 57.1% 不安定なテスト 7 入力トークン 34,108 出力トークン 5,464 推論トークン 192,064 応答時間（平均） 42.51s 応答時間（合計） 595.09s 応答時間（最大） 204.02s 不正解: 9 指示に従っていない: 2 タイムアウト: 1 反AIトリック : 6.5 コーディング : 7.0 複合 : 10.0 データ解析と抽出 : 3.7 ドメイン特化 : 5.2 汎用知能 : 4.1 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.4% 不安定なテスト 5 入力トークン 38,926 出力トークン 2,088 推論トークン 294,598 応答時間（平均） 63.29s 応答時間（合計） 1265.85s 応答時間（最大） 234.29s 不正解: 4 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 : 10.0 コーディング : 3.7 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#124#124	Kimi K2.6none	5.5	Moonshot AI	$0.079 ↓	13.27s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 36.5% 不安定なテスト 2 入力トークン 32,916 出力トークン 16,410 推論トークン 0 応答時間（平均） 13.27s 応答時間（合計） 278.57s 応答時間（最大） 238.89s 不正解: 11 指示に従っていない: 3 反AIトリック : 4.6 コーディング : 5.5 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 : 5.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#103#103	DeepSeek V4 Prohigh	6.0	DeepSeek	$0.079 ↓	65.21s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 9.0 試行ごとの合格率 52.4% 不安定なテスト 6 入力トークン 32,240 出力トークン 12,250 推論トークン 72,257 応答時間（平均） 65.21s 応答時間（合計） 1304.19s 応答時間（最大） 358.35s API エラー: 5 不正解: 4 タイムアウト: 3 指示に従っていない: 1 反AIトリック : 6.4 コーディング : 3.3 複合 : 10.0 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 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#74#74	Qwen3.6 Max Previewnone	6.9	Qwen	$0.075 ↓	3.30s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 58.7% 不安定なテスト 2 入力トークン 42,509 出力トークン 4,779 推論トークン 0 応答時間（平均） 3.30s 応答時間（合計） 69.40s 応答時間（最大） 20.51s 不正解: 10 反AIトリック : 5.2 コーディング : 3.8 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 : 4.3 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
#44#44	Gemini 3.1 Flash Litemedium	7.5	Google	$0.071	3.23s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 65.1% 不安定なテスト 2 入力トークン 36,808 出力トークン 2,254 推論トークン 38,300 応答時間（平均） 3.23s 応答時間（合計） 67.80s 応答時間（最大） 10.87s 不正解: 7 指示に従っていない: 1 反AIトリック : 9.1 コーディング : 5.5 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 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
モデルカードを見る合計テスト数 20 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 56.7% 不安定なテスト 1 入力トークン 34,431 出力トークン 91,587 推論トークン 195,973 応答時間（平均） 72.53s 応答時間（合計） 1015.47s 応答時間（最大） 453.94s 不正解: 4 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 3.5 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 : 8.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#86#86	Grok 4.1 Fastmedium	6.5	X AI	$0.069 ↑	23.85s
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 10.0 試行ごとの合格率 61.4% 不安定なテスト 6 入力トークン 42,845 出力トークン 2,006 推論トークン 96,334 応答時間（平均） 23.85s 応答時間（合計） 286.16s 応答時間（最大） 121.79s 指示に従っていない: 4 不正解: 4 回答なし: 1 タイムアウト: 1 反AIトリック : 8.7 コーディング : 2.3 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#40#40	Gemini 3.1 Flash Lite Previewmedium	7.5	Google	$0.068	3.96s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 61.9% 不安定なテスト 0 入力トークン 37,786 出力トークン 2,210 推論トークン 36,744 応答時間（平均） 3.96s 応答時間（合計） 83.06s 応答時間（最大） 14.93s 不正解: 7 指示に従っていない: 1 反AIトリック : 9.1 コーディング : 5.5 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 雑学 : 3.0
#132#132	Mistral Small 4medium	5.3	Mistral	$0.068	9.40s
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 10.0 試行ごとの合格率 44.4% 不安定なテスト 8 入力トークン 42,576 出力トークン 24,184 推論トークン 84,678 応答時間（平均） 9.40s 応答時間（合計） 197.39s 応答時間（最大） 59.15s 不正解: 12 API エラー: 2 指示に従っていない: 2 反AIトリック : 5.6 コーディング : 4.4 複合 : 3.0 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 : 7.3 パズル解決 : 3.4 ツール呼び出し : 10.0 雑学 : 3.0
#56#56	MiMo-V2.5medium	7.3	Xiaomi	$0.063 ↓	27.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 69.8% 不安定なテスト 5 入力トークン 41,838 出力トークン 2,827 推論トークン 198,898 応答時間（平均） 27.11s 応答時間（合計） 569.38s 応答時間（最大） 162.44s 不正解: 5 余分な書式: 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 : 6.2 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 : 5.4 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#112#112	GLM 5.1none	5.7	Z.ai	$0.058 ↓	4.10s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 41.3% 不安定なテスト 4 入力トークン 47,133 出力トークン 3,754 推論トークン 0 応答時間（平均） 4.10s 応答時間（合計） 86.18s 応答時間（最大） 32.57s 不正解: 13 無効なツール呼び出し: 1 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#81#81	Mercury 2medium	6.6	Inception	$0.058	2.24s
モデルカードを見る合計テスト数 21 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 54.0% 不安定なテスト 3 入力トークン 35,116 出力トークン 4,048 推論トークン 61,219 応答時間（平均） 2.24s 応答時間（合計） 44.72s 応答時間（最大） 14.63s 不正解: 8 指示に従っていない: 3 反AIトリック : 6.9 コーディング : 8.2 複合 : 10.0 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#127#127	Grok 4.20none	5.4	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 33.3% 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 反AIトリック : 4.8 コーディング : 3.4 複合 : 3.0 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
#34#34	Qwen3.7 Maxnone	7.7	Qwen	$0.054 ↓	1.30s
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 10.0 試行ごとの合格率 66.7% 不安定なテスト 0 入力トークン 37,107 出力トークン 1,994 推論トークン 0 応答時間（平均） 1.30s 応答時間（合計） 27.21s 応答時間（最大） 3.92s 不正解: 7 反AIトリック : 6.5 コーディング : 5.5 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#158#158	GLM 4.7 Flashmedium	4.4	Z.ai	$0.054	35.10s
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 33.3% 不安定なテスト 8 入力トークン 37,206 出力トークン 43,754 推論トークン 89,079 応答時間（平均） 35.10s 応答時間（合計） 456.24s 応答時間（最大） 174.55s 不正解: 9 回答なし: 3 指示に従っていない: 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 : 4.7 コーディング : 3.2 複合 : 2.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.5 汎用知能 : 3.6 指示追従 : 6.2 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#109#109	GLM 5V Turbonone	5.8	Z.ai	$0.052	2.99s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 38.1% 不安定なテスト 0 入力トークン 37,100 出力トークン 1,766 推論トークン 0 応答時間（平均） 2.99s 応答時間（合計） 62.74s 応答時間（最大） 6.51s 不正解: 11 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 5.5 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 : 4.6 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
#82#82	Hy3 previewhigh	6.6	Tencent	$0.048	56.57s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 55.6% 不安定なテスト 2 入力トークン 25,987 出力トークン 216,719 推論トークン 0 応答時間（平均） 56.57s 応答時間（合計） 848.59s 応答時間（最大） 149.94s API エラー: 7 不正解: 3 反AIトリック : 6.4 コーディング : 5.3 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 3.0 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
#134#134	GLM 5 Turbonone	5.2	Z.ai	$0.047 ↑	2.82s
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 10.0 試行ごとの合格率 31.8% 不安定なテスト 2 入力トークン 32,525 出力トークン 1,815 推論トークン 0 応答時間（平均） 2.82s 応答時間（合計） 59.29s 応答時間（最大） 8.21s 不正解: 13 指示に従っていない: 2 反AIトリック : 3.0 コーディング : 3.9 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 : 4.2 指示追従 : 6.5 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#120#120	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 41.3% 不安定なテスト 3 入力トークン 39,344 出力トークン 2,352 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 45.50s 応答時間（最大） 6.58s 不正解: 11 指示に従っていない: 2 API エラー: 1 反AIトリック : 3.5 コーディング : 5.5 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 : 4.3 指示追従 : 6.5 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#37#37	Gemma 4 26B A4Bmedium	7.6	Google	$0.045 ↓	63.41s
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 10.0 試行ごとの合格率 69.8% 不安定なテスト 2 入力トークン 40,252 出力トークン 28,000 推論トークン 100,490 応答時間（平均） 63.41s 応答時間（合計） 1268.28s 応答時間（最大） 369.32s 不正解: 3 回答なし: 2 タイムアウト: 2 反AIトリック : 10.0 コーディング : 2.9 複合 : 9.6 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 雑学 : 3.0
#72#72	DeepSeek V3.2medium	7.0	DeepSeek	$0.044 ↓	68.71s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 65.1% 不安定なテスト 6 入力トークン 38,333 出力トークン 7,186 推論トークン 99,081 応答時間（平均） 68.71s 応答時間（合計） 1442.81s 応答時間（最大） 376.10s 不正解: 5 API エラー: 2 タイムアウト: 2 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 6.0 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 : 3.4 指示追従 : 10.0 パズル解決 : 7.0 ツール呼び出し : 10.0 雑学 : 3.0
#73#73	Seed-2.0-Minimedium	6.9	Bytedance Seed	$0.044	80.22s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 6.7 試行ごとの合格率 57.1% 不安定なテスト 2 入力トークン 41,904 出力トークン 2,555 推論トークン 95,974 応答時間（平均） 80.22s 応答時間（合計） 1363.72s 応答時間（最大） 262.83s タイムアウト: 5 不正解: 4 指示に従っていない: 1 反AIトリック : 6.6 コーディング : 5.5 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 雑学 : 3.0
#64#64	MiMo-V2-Flashmedium	7.2	Xiaomi	$0.043 ↑	20.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 65.1% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 不正解: 5 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 : 6.0 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 雑学 : 3.0

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium無料で利用可能 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

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