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）
#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
#107#107	Claude Opus 4.7medium	8.1	Anthropic	$3.636	14.12s
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 81.2% 不安定なテスト 2 入力トークン 437,293 出力トークン 29,102 推論トークン 28,876 応答時間（平均） 14.12s 応答時間（合計） 310.55s 応答時間（最大） 150.60s 不正解: 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 : 5.2 反AIトリック : 8.3 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 : 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
#108#108	DeepSeek V4 Flash 0423high	8.1	DeepSeek	$0.261 ↑	55.99s
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 71.0% 不安定なテスト 4 入力トークン 298,794 出力トークン 45,873 推論トークン 188,721 応答時間（平均） 55.99s 応答時間（合計） 1287.87s 応答時間（最大） 218.13s 不正解: 6 指示に従っていない: 2 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 : 8.3 コーディング : 7.8 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 : 6.1 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
#110#110	GPT-5.6 Lunahigh	8.0	OpenAI	$0.118 ↓	18.39s
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 10.0 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 197,896 出力トークン 6,211 推論トークン 133,184 応答時間（平均） 18.39s 応答時間（合計） 422.93s 応答時間（最大） 111.09s 不正解: 8 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 : 5.5 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 : 5.0 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
#112#112	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
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 66.7% 不安定なテスト 4 入力トークン 237,088 出力トークン 8,235 推論トークン 102,675 応答時間（平均） 15.95s 応答時間（合計） 366.93s 応答時間（最大） 94.06s 不正解: 8 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 : 8.3 コーディング : 6.1 複合 : 9.9 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
#114#114	Qwen3.8 Flash Nextlow	8.0	Qwen	~$0.045	23.66s
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 79.7% 不安定なテスト 6 入力トークン 342,163 出力トークン 1,518 推論トークン 133,777 応答時間（平均） 23.66s 応答時間（合計） 544.16s 応答時間（最大） 166.72s 不正解: 6 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 : 6.1 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.7 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
#115#115	GPT-5.6 Terralow	7.9	OpenAI	$0.435 ↓	7.58s
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 75.4% 不安定なテスト 6 入力トークン 176,890 出力トークン 5,688 推論トークン 18,525 応答時間（平均） 7.58s 応答時間（合計） 174.39s 応答時間（最大） 54.57s 不正解: 8 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 : 8.3 コーディング : 6.6 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 : 4.8 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 4.7 雑学 : 3.0
#116#116	Qwen3.5-27Bmedium	7.9	Qwen	$1.135	114.73s
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 76.8% 不安定なテスト 6 入力トークン 288,919 出力トークン 17,484 推論トークン 617,804 応答時間（平均） 114.73s 応答時間（合計） 2638.74s 応答時間（最大） 1026.43s 不正解: 4 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 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 8.7 コーディング : 6.2 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 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
#117#117	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
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 78.3% 不安定なテスト 6 入力トークン 322,894 出力トークン 8,010 推論トークン 394,755 応答時間（平均） 43.97s 応答時間（合計） 1011.29s 応答時間（最大） 390.70s 無効なツール呼び出し: 2 回答なし: 2 不正解: 2 余分な書式: 1 指示に従っていない: 1 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 8.2 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 10.0 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
#118#118	Claude Fable 5.1high	7.9	Anthropic	$3.471	13.30s
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 85.5% 不安定なテスト 1 入力トークン 144,676 出力トークン 8,184 推論トークン 32,282 応答時間（平均） 13.30s 応答時間（合計） 305.83s 応答時間（最大） 40.17s 不正解: 3 API エラー: 1 エージェントタスク : 3.0 反AIトリック : 10.0 コーディング : 8.4 複合 : 10.0 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
#119#119	GPT-5.4 Minimedium	7.9	OpenAI	$1.102 ↑	29.94s
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 69.6% 不安定なテスト 5 入力トークン 238,925 出力トークン 7,109 推論トークン 177,063 応答時間（平均） 29.94s 応答時間（合計） 688.57s 応答時間（最大） 138.75s 不正解: 6 指示に従っていない: 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 : 8.6 コーディング : 8.4 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#121#121	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
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 81.2% 不安定なテスト 2 入力トークン 296,760 出力トークン 4,371 推論トークン 92,284 応答時間（平均） 11.78s 応答時間（合計） 271.03s 応答時間（最大） 84.47s 不正解: 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 : 2.8 反AIトリック : 10.0 コーディング : 7.9 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 10.0
#123#123	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
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 291,988 出力トークン 8,848 推論トークン 622,995 応答時間（平均） 61.90s 応答時間（合計） 1423.67s 応答時間（最大） 357.28s 不正解: 6 回答なし: 2 余分な書式: 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 : 5.9 コーディング : 7.2 複合 : 7.1 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 : 9.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#126#126	DeepSeek V4.1 Flash 1017high	7.8	DeepSeek	$0.589	58.56s
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 279,873 出力トークン 7,049 推論トークン 904,285 応答時間（平均） 58.56s 応答時間（合計） 1346.87s 応答時間（最大） 440.77s 不正解: 5 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 : 8.3 コーディング : 4.5 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 : 10.0 指示追従 : 10.0 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#127#127	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 3 入力トークン 308,369 出力トークン 7,013 推論トークン 299,031 応答時間（平均） 68.44s 応答時間（合計） 1574.14s 応答時間（最大） 436.38s 不正解: 6 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 : 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	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
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 75.4% 不安定なテスト 7 入力トークン 219,811 出力トークン 8,811 推論トークン 59,671 応答時間（平均） 28.38s 応答時間（合計） 652.78s 応答時間（最大） 159.91s 不正解: 6 余分な書式: 2 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 : 6.6 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 : 6.1 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
#129#129	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
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 68.1% 不安定なテスト 4 入力トークン 319,524 出力トークン 440,835 推論トークン 0 応答時間（平均） 26.57s 応答時間（合計） 611.09s 応答時間（最大） 152.83s 不正解: 6 指示に従っていない: 2 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 8.7 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 : 4.0 指示追従 : 9.8 パズル解決 : 5.7 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
#131#131	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
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 56.5% 不安定なテスト 0 入力トークン 250,495 出力トークン 76,261 推論トークン 0 応答時間（平均） 17.80s 応答時間（合計） 409.51s 応答時間（最大） 206.03s 不正解: 9 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 : 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 : 5.3 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
#132#132	Grok 4.5low	7.8	X AI	$1.345	18.14s
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 73.9% 不安定なテスト 2 入力トークン 308,068 出力トークン 9,218 推論トークン 112,197 応答時間（平均） 18.14s 応答時間（合計） 417.21s 応答時間（最大） 205.28s 不正解: 7 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 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.1 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
#133#133	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.460 ↑	94.16s
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 72.5% 不安定なテスト 8 入力トークン 274,189 出力トークン 66,689 推論トークン 510,525 応答時間（平均） 94.16s 応答時間（合計） 2165.72s 応答時間（最大） 303.26s 不正解: 5 回答なし: 3 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 : 10.0 反AIトリック : 8.2 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 : 6.1 指示追従 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#135#135	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
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 73.9% 不安定なテスト 4 入力トークン 229,986 出力トークン 6,037 推論トークン 95,550 応答時間（平均） 20.37s 応答時間（合計） 468.52s 応答時間（最大） 106.93s 不正解: 6 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 : 5.2 反AIトリック : 10.0 コーディング : 7.8 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 : 5.1 指示追従 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#136#136	Muse Glimmer 30Bhigh	7.7	Meta	$0.506 ↓	69.87s
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 66.7% 不安定なテスト 8 入力トークン 281,859 出力トークン 102,526 推論トークン 286,217 応答時間（平均） 69.87s 応答時間（合計） 1607.12s 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 エージェントタスク : 10.0 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
#138#138	Claude Haiku 5.5medium	7.7	Anthropic	$0.063	7.71s
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 7 入力トークン 298,334 出力トークン 10,328 推論トークン 55,846 応答時間（平均） 7.71s 応答時間（合計） 177.29s 応答時間（最大） 47.70s 不正解: 5 余分な書式: 2 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 : 8.7 コーディング : 6.3 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 : 3.8 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
#140#140	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不安定なテスト 6 入力トークン 318,058 出力トークン 16,035 推論トークン 315,072 応答時間（平均） 41.03s 応答時間（合計） 943.75s 応答時間（最大） 394.54s 不正解: 7 指示に従っていない: 3 API エラー: 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 : 6.7 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 : 4.0 指示追従 : 8.5 パズル解決 : 7.3 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