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）
#250#250	Nemotron 3.5 Lightningmedium	5.1	NVIDIA	$0.156 ↕	70.11s
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 9.9 試行ごとの合格率 48.5% 不安定なテスト 11 入力トークン 126,330 出力トークン 165,702 推論トークン 594,739 応答時間（平均） 70.11s 応答時間（合計） 1542.52s 応答時間（最大） 437.11s 不正解: 13 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 : 4.4 複合 : 6.2 データ解析と抽出 : 3.7 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.5 パズル解決 : 4.2 ツール呼び出し : 10.0 雑学 : 3.0
#141#141	Step 3.7 Flashhigh	6.8	Stepfun	$1.229	70.10s
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 10.0 試行ごとの合格率 60.6% 不安定なテスト 4 入力トークン 98,700 出力トークン 1,050,900 推論トークン 0 応答時間（平均） 70.10s 応答時間（合計） 1542.14s 応答時間（最大） 364.99s 不正解: 7 回答なし: 3 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 : 3.6 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
#63#63	GLM 5.2high	8.0	Z.ai	$1.188 ↑	69.86s
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 69.7% 不安定なテスト 3 入力トークン 83,822 出力トークン 72,040 推論トークン 292,615 応答時間（平均） 69.86s 応答時間（合計） 1536.98s 応答時間（最大） 599.43s タイムアウト: 3 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 : 6.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.1 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
#284#284	MiniMax M2.5medium	4.6	Minimax	$0.327 ↑	69.08s
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 43.9% 不安定なテスト 9 入力トークン 142,621 出力トークン 20,409 推論トークン 251,820 応答時間（平均） 69.08s 応答時間（合計） 1036.24s 応答時間（最大） 251.36s 不正解: 7 タイムアウト: 4 指示に従っていない: 3 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 7.9 コーディング : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#175#175	Ring-2.6-1Tmedium	6.4	Inclusionai	$0.102 ↑	68.80s
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 113,613 出力トークン 122,706 推論トークン 42,325 応答時間（平均） 68.80s 応答時間（合計） 1375.99s 応答時間（最大） 304.19s 不正解: 6 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: 1 反AIトリック : 10.0 コーディング : 5.3 複合 : 7.3 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 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
#43#43	Grok 4.5medium	8.5	X AI	$2.042	68.59s
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 83.3% 不安定なテスト 3 入力トークン 122,155 出力トークン 5,514 推論トークン 293,946 応答時間（平均） 68.59s 応答時間（合計） 1508.91s 応答時間（最大） 436.38s 不正解: 5 反AIトリック : 10.0 コーディング : 7.6 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 : 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
#128#128	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.43s
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 101,056 出力トークン 11,832 推論トークン 116,955 応答時間（平均） 68.43s 応答時間（合計） 1505.53s 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
#245#245	Gemini 3.1 Flash Lite Previewhigh	5.3	Google	$2.310	68.14s
モデルカードを見る合計テスト数 16 誤答テスト数 3 信頼性該当なし試行ごとの合格率 59.1% 不安定なテスト 0 入力トークン 28,980 出力トークン 1,283 推論トークン 1,533,310 応答時間（平均） 68.14s 応答時間（合計） 1090.28s 応答時間（最大） 280.52s 不正解: 2 指示に従っていない: 1 反AIトリック : 7.5 コーディング : 0.0 複合 : 5.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#305#305	Ling 3.0 Tinymedium	3.8	Inclusionai	$0.000	68.08s
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 9.6 試行ごとの合格率 24.2% 不安定なテスト 3 入力トークン 103,898 出力トークン 148,304 推論トークン 774,972 応答時間（平均） 68.08s 応答時間（合計） 1429.66s 応答時間（最大） 262.20s 回答なし: 7 不正解: 5 指示に従っていない: 4 API エラー: 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 : 2.9 複合 : 3.0 データ解析と抽出 : 2.7 ドメイン特化 : 3.0 汎用知能 : 3.8 指示追従 : 6.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#171#171	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
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 127,621 出力トークン 141,858 推論トークン 590,204 応答時間（平均） 67.81s 応答時間（合計） 1491.80s 応答時間（最大） 480.52s 不正解: 8 回答なし: 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 : 8.7 コーディング : 5.8 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 : 3.4 指示追従 : 8.3 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#203#203	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
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 57.6% 不安定なテスト 8 入力トークン 94,639 出力トークン 108,013 推論トークン 571,526 応答時間（平均） 67.13s 応答時間（合計） 1476.95s 応答時間（最大） 459.19s 不正解: 9 指示に従っていない: 2 回答なし: 2 余分な書式: 1 反AIトリック : 8.7 コーディング : 4.2 複合 : 9.9 データ解析と抽出 : 4.5 ドメイン特化 : 3.6 汎用知能 : 3.8 指示追従 : 8.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#118#118	Muse Glimmer 30Bhigh	7.2	Meta	$0.430 ↓	66.70s
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 103,494 出力トークン 100,589 推論トークン 270,217 応答時間（平均） 66.70s 応答時間（合計） 1467.39s 応答時間（最大） 451.90s 不正解: 7 指示に従っていない: 3 回答なし: 2 反AIトリック : 8.7 コーディング : 8.8 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 : 5.3 指示追従 : 8.4 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
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 83.3% 不安定なテスト 2 入力トークン 79,249 出力トークン 5,097 推論トークン 165,276 応答時間（平均） 66.52s 応答時間（合計） 1463.50s 応答時間（最大） 238.07s 不正解: 4 タイムアウト: 1 反AIトリック : 10.0 コーディング : 8.8 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 : 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
#302#302	Ling 3.0 Tinylow	3.8	Inclusionai	$0.000	66.16s
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 9.6 試行ごとの合格率 19.7% 不安定なテスト 1 入力トークン 99,662 出力トークン 146,555 推論トークン 732,977 応答時間（平均） 66.16s 応答時間（合計） 1389.33s 応答時間（最大） 252.08s 回答なし: 7 不正解: 5 指示に従っていない: 4 API エラー: 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 : 2.9 複合 : 3.0 データ解析と抽出 : 2.8 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 6.6 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#122#122	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
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 124,780 出力トークン 47,694 推論トークン 439,825 応答時間（平均） 65.67s 応答時間（合計） 1444.68s 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
#59#59	Inklinghigh	8.0	Thinkingmachines	$1.046	62.57s
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 77.3% 不安定なテスト 3 入力トークン 86,755 出力トークン 6,057 推論トークン 230,570 応答時間（平均） 62.57s 応答時間（合計） 1376.46s 応答時間（最大） 327.51s 不正解: 4 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 : 10.0 コーディング : 8.5 複合 : 7.3 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 : 9.8 パズル解決 : 6.9 ツール呼び出し : 3.0 雑学 : 3.0
#219#219	Gemini 3.1 Flash Litehigh	5.6	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 56.1% 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 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
#170#170	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
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 57.6% 不安定なテスト 5 入力トークン 113,889 出力トークン 110,550 推論トークン 496,487 応答時間（平均） 61.81s 応答時間（合計） 1359.72s 応答時間（最大） 417.36s 不正解: 7 指示に従っていない: 2 回答なし: 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 : 5.9 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 7.9 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#270#270	Nemotron 3.5 Lightninglow	4.8	NVIDIA	$0.140 ↕	59.81s
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 9.8 試行ごとの合格率 42.4% 不安定なテスト 9 入力トークン 138,792 出力トークン 142,972 推論トークン 522,202 応答時間（平均） 59.81s 応答時間（合計） 1315.80s 応答時間（最大） 312.21s 不正解: 14 指示に従っていない: 2 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 : 4.0 複合 : 6.3 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 8.4 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#129#129	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
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 8.1 試行ごとの合格率 65.2% 不安定なテスト 4 入力トークン 82,592 出力トークン 16,089 推論トークン 199,800 応答時間（平均） 58.80s 応答時間（合計） 1234.72s 応答時間（最大） 308.75s 不正解: 4 回答なし: 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 : 10.0 コーディング : 4.6 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 : 10.0 指示追従 : 6.4 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#162#162	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
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 57.6% 不安定なテスト 2 入力トークン 85,148 出力トークン 61,736 推論トークン 681,556 応答時間（平均） 58.49s 応答時間（合計） 1169.83s 応答時間（最大） 817.57s 不正解: 5 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 : 2.9 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
#234#234	Laguna S 2.1medium	5.4	Poolside	$0.053 ↓	58.42s
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 86,647 出力トークン 97,298 推論トークン 242,297 応答時間（平均） 58.42s 応答時間（合計） 1285.26s 応答時間（最大） 560.31s 不正解: 13 無効なツール呼び出し: 2 回答なし: 2 指示に従っていない: 1 反AIトリック : 3.4 コーディング : 5.3 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 : 4.6 指示追従 : 4.2 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#227#227	Nemotron 3.5 Lightninghigh	5.6	NVIDIA	$0.134 ↕	58.26s
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 9.9 試行ごとの合格率 50.0% 不安定なテスト 12 入力トークン 118,016 出力トークン 148,344 推論トークン 506,253 応答時間（平均） 58.26s 応答時間（合計） 1281.79s 応答時間（最大） 285.26s 不正解: 11 指示に従っていない: 4 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 5.5 コーディング : 4.4 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 : 3.7 指示追従 : 8.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#205#205	Hy3 previewhigh	5.9	Tencent	$0.135 ↕	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 53.0% 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 : 5.0 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
#98#98	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
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 106,946 出力トークン 7,993 推論トークン 503,413 応答時間（平均） 54.50s 応答時間（合計） 1199.07s 応答時間（最大） 252.69s 不正解: 6 余分な書式: 3 反AIトリック : 8.3 コーディング : 5.7 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 : 4.4 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

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