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: 2026-07-24 評価済みモデル数: 222

222/222

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#71#71	Step 3.7 Flashlow	7.3	Stepfun	$0.454	20.68s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 68.2% 不安定なテスト 5 入力トークン 103,833 出力トークン 376,581 推論トークン 0 応答時間（平均） 20.68s 応答時間（合計） 455.01s 応答時間（最大） 124.75s 不正解: 8 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.2 複合 : 7.3 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 3.4 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#73#73	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.482	20.83s
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 6 入力トークン 106,076 出力トークン 9,071 推論トークン 127,093 応答時間（平均） 20.83s 応答時間（合計） 458.31s 応答時間（最大） 199.97s 不正解: 10 無効なツール呼び出し: 1 反AIトリック : 7.0 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 : 5.1 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
#75#75	Qwen3.7 Plusnone	7.2	Qwen	$0.106 ↓	12.09s
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 50.0% 不安定なテスト 0 入力トークン 98,824 出力トークン 58,097 推論トークン 0 応答時間（平均） 12.09s 応答時間（合計） 265.89s 応答時間（最大） 206.03s 不正解: 10 指示に従っていない: 1 反AIトリック : 6.5 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 : 5.3 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#76#76	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.046 ↓	64.16s
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 71.2% 不安定なテスト 4 入力トークン 124,771 出力トークン 44,077 推論トークン 443,141 応答時間（平均） 64.16s 応答時間（合計） 1411.60s 応答時間（最大） 519.30s 不正解: 5 タイムアウト: 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 : 6.0 複合 : 6.4 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#77#77	Grok 4.3medium	7.1	X AI	$0.779	47.45s
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 68.2% 不安定なテスト 4 入力トークン 140,031 出力トークン 13,739 推論トークン 227,682 応答時間（平均） 47.45s 応答時間（合計） 1043.83s 応答時間（最大） 216.69s 不正解: 5 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 : 5.9 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 : 5.4 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#79#79	Grok 4.20medium	7.1	X AI	$0.777 ↓	29.47s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 4 入力トークン 102,791 出力トークン 5,363 推論トークン 253,977 応答時間（平均） 29.47s 応答時間（合計） 648.35s 応答時間（最大） 199.66s 不正解: 6 指示に従っていない: 2 余分な書式: 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 : 6.3 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 3.9 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#80#80	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.62s
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 7 入力トークン 101,047 出力トークン 11,834 推論トークン 117,014 応答時間（平均） 68.62s 応答時間（合計） 1509.53s 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 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 : 6.0 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 : 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
#81#81	Kimi K2.5medium	7.0	Moonshot AI	$0.600 ↑	99.00s
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 65.2% 不安定なテスト 8 入力トークン 118,448 出力トークン 62,124 推論トークン 165,243 応答時間（平均） 99.00s 応答時間（合計） 1485.04s 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 : 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 雑学 : 3.0
#82#82	Mercury 2medium	7.0	Inception	$0.093	2.72s
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 51.5% 不安定なテスト 3 入力トークン 109,572 出力トークン 10,313 推論トークン 76,806 応答時間（平均） 2.72s 応答時間（合計） 57.12s 応答時間（最大） 14.63s 不正解: 8 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 : 6.9 コーディング : 8.2 複合 : 6.7 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
#83#83	Gemini 3.5 Flashnone	7.0	Google	$1.079	9.93s
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 74.2% 不安定なテスト 3 入力トークン 13,843 出力トークン 117,518 推論トークン 0 応答時間（平均） 9.93s 応答時間（合計） 178.68s 応答時間（最大） 64.36s API エラー: 4 不正解: 3 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 : 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 : 3.0 雑学 : 2.8
#85#85	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.467	24.04s
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 7 入力トークン 87,907 出力トークン 7,213 推論トークン 128,251 応答時間（平均） 24.04s 応答時間（合計） 528.92s 応答時間（最大） 257.00s 不正解: 9 API エラー: 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 : 7.8 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 : 4.7 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#86#86	DeepSeek V4 Pronone	6.9	DeepSeek	$0.096	11.55s
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 51.5% 不安定なテスト 4 入力トークン 148,069 出力トークン 35,551 推論トークン 0 応答時間（平均） 11.55s 応答時間（合計） 254.11s 応答時間（最大） 119.44s 不正解: 8 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 3.2 コーディング : 5.6 複合 : 7.9 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 : 6.3 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#87#87	GPT-5.6 Solnone	6.9	OpenAI	$0.524	2.16s
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 59.1% 不安定なテスト 3 入力トークン 78,593 出力トークン 4,357 推論トークン 0 応答時間（平均） 2.16s 応答時間（合計） 47.62s 応答時間（最大） 12.81s 不正解: 10 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.5 指示追従 : 8.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#88#88	MiMo-V2.5-Promedium	6.9	Xiaomi	$0.187 ↓	33.92s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 139,883 出力トークン 15,521 推論トークン 130,992 応答時間（平均） 33.92s 応答時間（合計） 746.19s 応答時間（最大） 197.54s 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 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 : 6.2 複合 : 6.9 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
#89#89	Qwen3.6 Flashmedium	6.9	Qwen	$0.738 ↓	44.65s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 68.2% 不安定なテスト 5 入力トークン 129,041 出力トークン 20,026 推論トークン 614,312 応答時間（平均） 44.65s 応答時間（合計） 982.32s 応答時間（最大） 578.13s 不正解: 8 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 : 5.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.8 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
#90#90	Step 3.7 Flashhigh	6.9	Stepfun	$1.207	64.68s
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 98,691 出力トークン 1,032,395 推論トークン 0 応答時間（平均） 64.68s 応答時間（合計） 1423.01s 応答時間（最大） 364.99s 不正解: 6 回答なし: 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 : 4.0 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 : 5.5 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
#91#91	GPT-5.5none	6.9	OpenAI	$0.544	2.36s
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 56.1% 不安定なテスト 3 入力トークン 79,285 出力トークン 4,915 推論トークン 0 応答時間（平均） 2.36s 応答時間（合計） 51.88s 応答時間（最大） 12.24s 不正解: 11 反AIトリック : 6.9 コーディング : 5.5 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 : 10.0 指示追従 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#92#92	Gemini 3.5 Flashminimal	6.8	Google	$0.300	2.65s
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 65.2% 不安定なテスト 1 入力トークン 100,753 出力トークン 16,454 推論トークン 0 応答時間（平均） 2.65s 応答時間（合計） 58.27s 応答時間（最大） 25.26s 不正解: 5 無効なツール呼び出し: 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 : 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
#93#93	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.95s
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 104,210 出力トークン 10,710 推論トークン 0 応答時間（平均） 2.95s 応答時間（合計） 44.26s 応答時間（最大） 21.19s 不正解: 8 回答なし: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 3.8 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 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#94#94	Qwen3.6 35B A3Bmedium	6.7	Qwen	$0.746 ↑	58.06s
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 60.6% 不安定なテスト 1 入力トークン 85,139 出力トークン 61,819 推論トークン 678,766 応答時間（平均） 58.06s 応答時間（合計） 1161.18s 応答時間（最大） 817.57s 不正解: 4 API エラー: 2 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 : 7.7 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 : 8.0 ツール呼び出し : 3.0 雑学 : 3.0
#95#95	Gemini 3.5 Flash-Litelow	6.7	Google	$0.145	2.25s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 144,622 出力トークン 15,302 推論トークン 24,971 応答時間（平均） 2.25s 応答時間（合計） 49.58s 応答時間（最大） 13.50s 不正解: 9 回答なし: 1 反AIトリック : 10.0 コーディング : 4.1 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.1 指示追従 : 9.8 パズル解決 : 7.8 ツール呼び出し : 9.8 雑学 : 4.7
#97#97	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.476	25.56s
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 68.2% 不安定なテスト 7 入力トークン 98,499 出力トークン 135,861 推論トークン 0 応答時間（平均） 25.56s 応答時間（合計） 562.43s 応答時間（最大） 335.41s 不正解: 10 無効なツール呼び出し: 1 反AIトリック : 8.7 コーディング : 6.1 複合 : 4.1 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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 : 10.0 雑学 : 3.0
#98#98	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
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 65.2% 不安定なテスト 6 入力トークン 44,615 出力トークン 2,347 推論トークン 98,415 応答時間（平均） 23.08s 応答時間（合計） 484.63s 応答時間（最大） 95.88s 不正解: 7 無効なツール呼び出し: 2 指示に従っていない: 1 反AIトリック : 7.2 コーディング : 6.0 複合 : 3.4 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 雑学 : 3.0
#99#99	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 72.7% 不安定なテスト 0 入力トークン 69,576 出力トークン 6,265 推論トークン 0 応答時間（平均） 3.02s 応答時間（合計） 57.44s 応答時間（最大） 18.27s 不正解: 3 反AIトリック : 8.3 コーディング : 3.3 複合 : 4.8 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 : 3.0
#101#101	GLM 5.2none	6.6	Z.ai	$0.125 ↓	9.34s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 59.1% 不安定なテスト 2 入力トークン 112,359 出力トークン 14,340 推論トークン 0 応答時間（平均） 9.34s 応答時間（合計） 205.46s 応答時間（最大） 79.65s 不正解: 8 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 : 8.3 コーディング : 3.7 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 : 6.1 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
#104#104	Gemini 3.5 Flash-Litemedium	6.5	Google	$0.369	6.01s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 7 入力トークン 118,818 出力トークン 11,677 推論トークン 121,611 応答時間（平均） 6.01s 応答時間（合計） 132.30s 応答時間（最大） 49.03s 不正解: 9 回答なし: 1 反AIトリック : 10.0 コーディング : 5.5 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.4 指示追従 : 9.8 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 3.0
#105#105	Qwen3.6 27Bmedium	6.5	Qwen	$1.038 ↑	106.32s
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 59.1% 不安定なテスト 6 入力トークン 106,167 出力トークン 32,889 推論トークン 241,303 応答時間（平均） 106.32s 応答時間（合計） 2339.12s 応答時間（最大） 1085.11s 不正解: 6 回答なし: 3 無効なツール呼び出し: 2 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
#106#106	Hy3 previewmedium	6.5	Tencent	$0.018 ↕	16.28s
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 63.6% 不安定なテスト 0 入力トークン 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 5.3 複合 : 5.0 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#107#107	MiMo-V2.5medium	6.5	Xiaomi	$0.082 ↓	32.20s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 6 入力トークン 105,447 出力トークン 7,120 推論トークン 230,682 応答時間（平均） 32.20s 応答時間（合計） 708.46s 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 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 : 6.2 複合 : 8.7 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
#108#108	Laguna XS 2.1medium	6.5	Poolside	$0.068	47.93s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 42.4% 不安定なテスト 1 入力トークン 118,989 出力トークン 30,750 推論トークン 491,833 応答時間（平均） 47.93s 応答時間（合計） 1054.49s 応答時間（最大） 422.72s 不正解: 11 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 6.3 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0

←

1 2 3 4 8

→

クイック比較

Gemini 3.6 FlashmediumvsGemini 3.6 Flashhigh Gemini 3.6 FlashhighvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3.6 Flashlow Gemini 3.6 FlashlowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium Gemini 3.5 FlashmediumvsGPT-5.5medium

AI Benchy リーダーボード

モデルを絞り込む

クイック比較