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: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#417#417	Command A+medium	3.4	Cohere	$0.064	91.72s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 118,771 出力トークン 4,127 推論トークン 14,668 応答時間（平均） 91.72s 応答時間（合計） 2109.54s 応答時間（最大） 112.76s API エラー: 22 不正解: 1 エージェントタスク : 5.0 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#148#148	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
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 9.4 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 313,368 出力トークン 12,289 推論トークン 259,270 応答時間（平均） 91.67s 応答時間（合計） 1833.43s 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 エージェントタスク : 10.0 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
#106#106	DeepSeek V4 Pro 0423high	8.1	DeepSeek	$0.149 ↓	91.29s
モデルカードを見る合計テスト数 23 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 6 入力トークン 287,061 出力トークン 32,056 推論トークン 196,607 応答時間（平均） 91.29s 応答時間（合計） 2099.56s 応答時間（最大） 416.76s 不正解: 9 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 : 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
#423#423	Command A+high	3.2	Cohere	$0.079	89.96s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 3.5 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 117,966 出力トークン 5,149 推論トークン 23,514 応答時間（平均） 89.96s 応答時間（合計） 2069.01s 応答時間（最大） 156.00s API エラー: 22 不正解: 1 エージェントタスク : 3.9 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#97#97	Ling 3.1 Flashmedium	8.3	Inclusionai	$0.000	88.74s
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 9.6 試行ごとの合格率 71.0% 不安定なテスト 3 入力トークン 369,495 出力トークン 172,852 推論トークン 476,002 応答時間（平均） 88.74s 応答時間（合計） 2041.10s 応答時間（最大） 567.88s 回答なし: 4 不正解: 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 : 10.0 コーディング : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.3 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 2.8 雑学 : 3.0
#377#377	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
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 10.0 試行ごとの合格率 23.2% 不安定なテスト 6 入力トークン 232,641 出力トークン 69,335 推論トークン 426,182 応答時間（平均） 88.24s 応答時間（合計） 2029.57s 応答時間（最大） 814.73s 不正解: 16 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 エージェントタスク : 2.8 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
#153#153	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.306 ↑	88.15s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 71.0% 不安定なテスト 6 入力トークン 231,356 出力トークン 43,054 推論トークン 370,981 応答時間（平均） 88.15s 応答時間（合計） 2027.36s 応答時間（最大） 438.65s 不正解: 8 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 : 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
#77#77	Grok 4.6high	8.5	X AI	$2.629	87.48s
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 82.6% 不安定なテスト 0 入力トークン 376,233 出力トークン 6,687 推論トークン 305,927 応答時間（平均） 87.48s 応答時間（合計） 2012.15s 応答時間（最大） 618.49s 不正解: 3 回答なし: 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 : 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
#125#125	Ling 3.1 Flashhigh	7.9	Inclusionai	$0.000	87.39s
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 9.8 試行ごとの合格率 69.6% 不安定なテスト 2 入力トークン 324,691 出力トークン 181,251 推論トークン 506,441 応答時間（平均） 87.39s 応答時間（合計） 2010.08s 応答時間（最大） 665.85s 回答なし: 4 不正解: 2 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 : 10.0 コーディング : 8.2 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 2.8 雑学 : 3.0
#260#260	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
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 9.7 試行ごとの合格率 66.7% 不安定なテスト 6 入力トークン 271,890 出力トークン 190,841 推論トークン 513,329 応答時間（平均） 85.22s 応答時間（合計） 1960.12s 応答時間（最大） 432.81s 回答なし: 4 指示に従っていない: 3 不正解: 2 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 : 4.7 反AIトリック : 10.0 コーディング : 5.6 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 9.8 パズル解決 : 8.9 ツール呼び出し : 4.7 雑学 : 3.0
#137#137	Nemotron 3.5 Super VLmedium	7.7	NVIDIA	$0.437	84.94s
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 9.8 試行ごとの合格率 72.5% 不安定なテスト 5 入力トークン 269,143 出力トークン 6,833 推論トークン 785,200 応答時間（平均） 84.94s 応答時間（合計） 1953.70s 応答時間（最大） 527.47s 不正解: 4 回答なし: 3 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 : 10.0 コーディング : 5.9 複合 : 6.4 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 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#389#389	Granite 4.2 8Bnone	4.4	IBM Granite	$0.037	84.66s
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 9.1 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 226,872 出力トークン 133,268 推論トークン 0 応答時間（平均） 84.66s 応答時間（合計） 1947.17s 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 無効なツール呼び出し: 1 エージェントタスク : 5.0 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
#34#34	Claude Sonnet 5.5max	9.2	Anthropic	$8.557	84.26s
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 82.6% 不安定なテスト 2 入力トークン 484,627 出力トークン 11,026 推論トークン 747,681 応答時間（平均） 84.26s 応答時間（合計） 1937.91s 応答時間（最大） 488.39s 回答なし: 3 指示に従っていない: 2 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 : 5.1 指示追従 : 8.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#275#275	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 49.3% 不安定なテスト 7 入力トークン 319,352 出力トークン 158,447 推論トークン 875,524 応答時間（平均） 84.01s 応答時間（合計） 1932.24s 応答時間（最大） 525.14s 不正解: 9 指示に従っていない: 4 無効なツール呼び出し: 2 エージェントタスク : 6.1 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
#202#202	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
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 66.7% 不安定なテスト 6 入力トークン 349,177 出力トークン 54,279 推論トークン 477,389 応答時間（平均） 83.68s 応答時間（合計） 1840.92s 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 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 : 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
#378#378	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.175 ↕	83.19s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.5 試行ごとの合格率 40.6% 不安定なテスト 9 入力トークン 207,883 出力トークン 144,718 推論トークン 525,897 応答時間（平均） 83.19s 応答時間（合計） 1913.41s 応答時間（最大） 597.61s 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 タイムアウト: 1 エージェントタスク : 3.5 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
#368#368	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.195 ↕	81.93s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.8 試行ごとの合格率 47.8% 不安定なテスト 12 入力トークン 195,780 出力トークン 167,746 推論トークン 598,384 応答時間（平均） 81.93s 応答時間（合計） 1884.31s 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 タイムアウト: 1 エージェントタスク : 2.8 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
#187#187	Kimi K2.7 Codemedium	7.0	Moonshot AI	$1.136 ↑	81.18s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 5 入力トークン 245,179 出力トークン 62,697 推論トークン 196,621 応答時間（平均） 81.18s 応答時間（合計） 1785.87s 応答時間（最大） 365.80s 不正解: 8 タイムアウト: 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 : 5.0 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
#197#197	Gemma 4 31Bmedium	6.9	Google	$0.144 ↓	78.76s
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 66.7% 不安定なテスト 3 入力トークン 251,164 出力トークン 36,112 推論トークン 241,203 応答時間（平均） 78.76s 応答時間（合計） 1653.96s 応答時間（最大） 437.40s 不正解: 4 API エラー: 2 無効なツール呼び出し: 1 回答なし: 1 タイムアウト: 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 : 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
#100#100	DeepSeek V4.1 Flash 1017max	8.2	DeepSeek	$0.757	78.20s
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 76.8% 不安定なテスト 5 入力トークン 360,065 出力トークン 7,711 推論トークン 1,162,470 応答時間（平均） 78.20s 応答時間（合計） 1798.65s 応答時間（最大） 605.14s 不正解: 4 指示に従っていない: 2 回答なし: 2 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 : 5.6 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 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#426#426	Command A+none	3.0	Cohere	$0.000	77.87s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 0.0 試行ごとの合格率 0.0% 不安定なテスト 0 入力トークン 0 出力トークン 0 推論トークン 0 応答時間（平均） 77.87s 応答時間（合計） 1791.03s 応答時間（最大） 106.37s API エラー: 23 エージェントタスク : 3.0 反AIトリック : 3.0 コーディング : 3.0 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#62#62	Muse Spark Openmedium	8.8	Meta	$1.260	77.44s
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 9.8 試行ごとの合格率 78.3% 不安定なテスト 5 入力トークン 256,646 出力トークン 10,490 推論トークン 210,325 応答時間（平均） 77.44s 応答時間（合計） 1781.16s 応答時間（最大） 643.19s 不正解: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 10.0 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 : 10.0 ドメイン特化 : 5.9 汎用知能 : 10.0 指示追従 : 7.3 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 3.0
#339#339	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.168 ↕	77.08s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.6 試行ごとの合格率 47.8% 不安定なテスト 12 入力トークン 170,517 出力トークン 149,968 推論トークン 509,725 応答時間（平均） 77.08s 応答時間（合計） 1772.78s 応答時間（最大） 490.99s 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 タイムアウト: 1 エージェントタスク : 3.5 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
#213#213	MiniMax M3medium	6.7	Minimax	$0.422 ↑	77.03s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 9.7 試行ごとの合格率 59.4% 不安定なテスト 5 入力トークン 166,517 出力トークン 107,386 推論トークン 217,548 応答時間（平均） 77.03s 応答時間（合計） 1694.74s 応答時間（最大） 431.03s 不正解: 5 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 エージェントタスク : 3.0 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
#130#130	Grok 4.6medium	7.8	X AI	$2.270	74.77s
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 78.3% 不安定なテスト 4 入力トークン 336,351 出力トークン 6,180 推論トークン 260,017 応答時間（平均） 74.77s 応答時間（合計） 1719.73s 応答時間（最大） 514.35s 不正解: 6 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 : 8.2 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

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