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）
#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
#65#65	Grok 4.20medium	7.1	X AI	$0.609 ↓	27.68s
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 63.5% 不安定なテスト 3 入力トークン 44,433 出力トークン 1,819 推論トークン 219,524 応答時間（平均） 27.68s 応答時間（合計） 581.26s 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 反AIトリック : 8.2 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 : 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
#68#68	Claude Opus 4.8none	7.0	Anthropic	$0.539	3.47s
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 61.9% 不安定なテスト 2 入力トークン 67,104 出力トークン 8,107 推論トークン 0 応答時間（平均） 3.47s 応答時間（合計） 72.90s 応答時間（最大） 17.73s 不正解: 4 余分な書式: 3 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.5 コーディング : 5.5 複合 : 9.5 データ解析と抽出 : 7.3 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 : 10.0 雑学 : 3.0
#69#69	Claude Opus 4.6medium	7.0	Anthropic	$2.053	25.89s
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 61.9% 不安定なテスト 3 入力トークン 53,227 出力トークン 47,446 推論トークン 24,000 応答時間（平均） 25.89s 応答時間（合計） 362.49s 応答時間（最大） 83.40s 余分な書式: 5 不正解: 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 : 5.7 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
#53#53	Gemini 3.1 Flash Litehigh	7.3	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 68.5% 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 : 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 : 5.0 指示追従 : 7.3 パズル解決 : 5.7 ツール呼び出し : 10.0
#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
#59#59	GLM 5V Turbomedium	7.2	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 68.3% 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 : 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 7.0 雑学 : 3.0
#66#66	Qwen3.5-35B-A3Bmedium	7.1	Qwen	$0.401 ↓	72.57s
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 69.8% 不安定なテスト 6 入力トークン 42,196 出力トークン 40,630 推論トークン 353,577 応答時間（平均） 72.57s 応答時間（合計） 1524.04s 応答時間（最大） 409.98s タイムアウト: 5 回答なし: 2 不正解: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 4.1 汎用知能 : 2.8 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
#67#67	MiniMax M3medium	7.1	Minimax	$0.131	68.17s
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 9.6 試行ごとの合格率 65.1% 不安定なテスト 5 入力トークン 46,546 出力トークン 49,036 推論トークン 92,543 応答時間（平均） 68.17s 応答時間（合計） 1363.38s 応答時間（最大） 431.03s タイムアウト: 3 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 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 : 5.5 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
#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
#71#71	Step 3.7 Flashhigh	7.0	Stepfun	$1.148	64.46s
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 38,391 出力トークン 991,355 推論トークン 0 応答時間（平均） 64.46s 応答時間（合計） 1353.57s 応答時間（最大） 364.99s 不正解: 6 回答なし: 4 反AIトリック : 10.0 コーディング : 4.0 複合 : 10.0 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
#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
#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
#75#75	Ring-2.6-1Tmedium	6.9	Inclusionai	$0.033	61.29s
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 60.3% 不安定なテスト 3 入力トークン 35,892 出力トークン 21,752 推論トークン 42,754 応答時間（平均） 61.29s 応答時間（合計） 1164.50s 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 反AIトリック : 10.0 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 : 3.5 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
#77#77	Claude Sonnet 4.6none	6.8	Anthropic	$0.316	5.04s
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 1 入力トークン 57,886 出力トークン 9,465 推論トークン 0 応答時間（平均） 5.04s 応答時間（合計） 70.60s 応答時間（最大） 23.84s 不正解: 5 余分な書式: 4 指示に従っていない: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 9.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 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
#83#83	Step 3.5 Flashnone	6.6	Stepfun	$0.020	39.03s
モデルカードを見る合計テスト数 12 誤答テスト数 6 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 1,971 出力トークン 64,795 推論トークン 0 応答時間（平均） 39.03s 応答時間（合計） 312.26s 応答時間（最大） 114.12s API エラー: 4 指示に従っていない: 1 不正解: 1 反AIトリック : 10.0 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 : 10.0 汎用知能 : 4.0 指示追従 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#76#76	Kimi K2.5medium	6.8	Moonshot AI	$0.328 ↓	98.43s
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 68.3% 不安定なテスト 8 入力トークン 34,312 出力トークン 48,379 推論トークン 157,747 応答時間（平均） 98.43s 応答時間（合計） 1378.03s 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 反AIトリック : 7.3 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 : 3.5 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
#78#78	Qwen3.6 27Bmedium	6.8	Qwen	$0.444 ↑	59.71s
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 60.3% 不安定なテスト 5 入力トークン 39,376 出力トークン 16,189 推論トークン 122,521 応答時間（平均） 59.71s 応答時間（合計） 1254.01s 応答時間（最大） 168.22s 不正解: 6 回答なし: 3 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 : 7.7 複合 : 7.0 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
#80#80	Mimo V2 Omnimedium	6.7	Xiaomi	$0.683 ↓	41.16s
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 55.6% 不安定なテスト 3 入力トークン 37,007 出力トークン 1,952 推論トークン 357,306 応答時間（平均） 41.16s 応答時間（合計） 823.26s 応答時間（最大） 299.23s 不正解: 5 指示に従っていない: 2 回答なし: 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 : 3.3 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 : 5.4 指示追従 : 8.3 パズル解決 : 5.9 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
#85#85	Gemma 4 31Bnone	6.5	Google	$0.004 ↓	4.05s
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 47.6% 不安定なテスト 0 入力トークン 20,911 出力トークン 1,407 推論トークン 0 応答時間（平均） 4.05s 応答時間（合計） 76.87s 応答時間（最大） 26.13s 不正解: 8 API エラー: 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 : 5.5 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 : 6.5 パズル解決 : 6.5 ツール呼び出し : 3.0 雑学 : 3.0
#87#87	Gemini 3.1 Flash Liteminimal	6.4	Google	$0.013	1.33s
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 36,973 出力トークン 2,487 推論トークン 0 応答時間（平均） 1.33s 応答時間（合計） 27.91s 応答時間（最大） 4.49s 不正解: 8 指示に従っていない: 3 反AIトリック : 8.3 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 : 2.9 汎用知能 : 4.0 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
#88#88	Qwen3.7 Plusnone	6.4	Qwen	$0.028	2.85s
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 47.6% 不安定なテスト 0 入力トークン 42,510 出力トークン 6,578 推論トークン 0 応答時間（平均） 2.85s 応答時間（合計） 59.86s 応答時間（最大） 29.38s 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
#89#89	Hy3 previewlow	6.4	Tencent	$0.015	24.56s
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 52.4% 不安定なテスト 2 入力トークン 21,045 出力トークン 63,460 推論トークン 0 応答時間（平均） 24.56s 応答時間（合計） 368.35s 応答時間（最大） 78.74s API エラー: 7 不正解: 4 反AIトリック : 8.3 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 : 5.9 汎用知能 : 3.0 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#91#91	GPT-5.5none	6.4	OpenAI	$0.231	1.89s
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 34,212 出力トークン 1,971 推論トークン 0 応答時間（平均） 1.89s 応答時間（合計） 39.64s 応答時間（最大） 5.56s 不正解: 11 反AIトリック : 6.9 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 : 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
#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
#92#92	Laguna M.1medium	6.4	Poolside	$0.000	14.73s
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 52.6% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 4 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.5 コーディング : 4.3 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 : 3.0 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
#93#93	Qwen3.6 Plus Previewmedium	6.3	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性該当なし試行ごとの合格率 47.4% 不安定なテスト 0 入力トークン 32,639 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s API エラー: 8 不正解: 2 反AIトリック : 8.3 コーディング : 3.0 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 : 3.0 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

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