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）
#146#146	GPT-5.4none	5.8	OpenAI	$0.397	2.07s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 2 入力トークン 108,632 出力トークン 8,321 推論トークン 0 応答時間（平均） 2.07s 応答時間（合計） 45.51s 応答時間（最大） 15.63s 不正解: 14 指示に従っていない: 1 反AIトリック : 3.2 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 : 5.3 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#148#148	GLM 5none	5.7	Z.ai	$0.041 ↑	4.03s
モデルカードを見る合計テスト数 21 誤答テスト数 12 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 37,135 出力トークン 1,989 推論トークン 0 応答時間（平均） 4.03s 応答時間（合計） 56.37s 応答時間（最大） 11.07s 不正解: 12 反AIトリック : 4.8 コーディング : 4.0 複合 : 1.5 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
#150#150	Qwen3.5-122B-A10Bnone	5.7	Qwen	$0.247 ↓	12.92s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 33.3% 不安定なテスト 2 入力トークン 241,566 出力トークン 88,458 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 284.21s 応答時間（最大） 212.63s 不正解: 13 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 : 4.8 コーディング : 3.7 複合 : 5.2 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 : 3.8 ツール呼び出し : 10.0 雑学 : 3.0
#151#151	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
#153#153	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 0 入力トークン 37,100 出力トークン 1,766 推論トークン 0 応答時間（平均） 2.99s 応答時間（合計） 62.74s 応答時間（最大） 6.51s 不正解: 11 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 5.5 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.6 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
#154#154	Owl Alphamedium	5.6	Openrouter	$0.000	11.95s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 1 入力トークン 43,478 出力トークン 2,974 推論トークン 0 応答時間（平均） 11.95s 応答時間（合計） 250.88s 応答時間（最大） 58.63s 不正解: 10 指示に従っていない: 2 API エラー: 1 反AIトリック : 4.8 コーディング : 5.4 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.3 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
#155#155	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 39.4% 不安定なテスト 3 入力トークン 39,344 出力トークン 2,352 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 45.50s 応答時間（最大） 6.58s 不正解: 11 指示に従っていない: 2 API エラー: 1 反AIトリック : 3.5 コーディング : 5.5 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 6.5 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#156#156	Owl Alphanone	5.6	Openrouter	$0.000	9.88s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 1 入力トークン 42,283 出力トークン 5,913 推論トークン 0 応答時間（平均） 9.88s 応答時間（合計） 207.38s 応答時間（最大） 47.10s 不正解: 10 指示に従っていない: 3 余分な書式: 1 反AIトリック : 3.4 コーディング : 5.6 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 6.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#158#158	DeepSeek V4 Flashnone	5.6	DeepSeek	$0.044 ↓	36.78s
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 31.8% 不安定なテスト 4 入力トークン 240,221 出力トークン 100,727 推論トークン 0 応答時間（平均） 36.78s 応答時間（合計） 809.09s 応答時間（最大） 247.27s 不正解: 12 余分な書式: 2 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 : 3.0 コーディング : 4.2 複合 : 4.6 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#159#159	GLM 5.1none	5.5	Z.ai	$0.164 ↓	6.70s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 40.9% 不安定なテスト 5 入力トークン 124,209 出力トークン 14,393 推論トークン 0 応答時間（平均） 6.70s 応答時間（合計） 147.38s 応答時間（最大） 61.20s 不正解: 13 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#160#160	Qwen3.6 27Bnone	5.5	Qwen	$0.116 ↑	10.65s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 6 入力トークン 95,796 出力トークン 16,155 推論トークン 0 応答時間（平均） 10.65s 応答時間（合計） 234.39s 応答時間（最大） 156.31s 不正解: 11 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 3.8 コーディング : 5.5 複合 : 3.2 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 5.2 指示追従 : 6.2 パズル解決 : 5.3 ツール呼び出し : 9.5 雑学 : 3.0
#161#161	Hy3 previewlow	5.5	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 50.0% 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 : 5.0 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
#162#162	MiMo-V2.5-Pronone	5.5	Xiaomi	$0.068 ↓	4.12s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 4 入力トークン 124,799 出力トークン 15,362 推論トークン 0 応答時間（平均） 4.12s 応答時間（合計） 90.55s 応答時間（最大） 53.13s 不正解: 11 指示に従っていない: 4 回答なし: 1 反AIトリック : 3.3 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 : 4.0 指示追従 : 6.4 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#163#163	Kimi K2.5none	5.5	Moonshot AI	$0.127 ↑	19.15s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 4 入力トークン 89,322 出力トークン 26,638 推論トークン 0 応答時間（平均） 19.15s 応答時間（合計） 287.30s 応答時間（最大） 102.83s 不正解: 15 回答なし: 1 反AIトリック : 3.6 コーディング : 5.5 複合 : 2.8 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 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#164#164	Gemma 4 26B A4Bnone	5.5	Google	$0.022 ↑	7.64s
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 42.4% 不安定なテスト 2 入力トークン 131,282 出力トークン 15,781 推論トークン 0 応答時間（平均） 7.64s 応答時間（合計） 167.98s 応答時間（最大） 57.10s 不正解: 10 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 反AIトリック : 8.3 コーディング : 3.7 複合 : 3.0 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 : 6.3 パズル解決 : 6.2 ツール呼び出し : 10.0 雑学 : 3.0
#165#165	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 1 入力トークン 40,852 出力トークン 3,314 推論トークン 0 応答時間（平均） 2.44s 応答時間（合計） 48.81s 応答時間（最大） 6.81s 不正解: 10 API エラー: 1 余分な書式: 1 指示に従っていない: 1 反AIトリック : 3.6 コーディング : 4.4 複合 : 1.5 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 : 6.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#168#168	GPT-5.6 Lunanone	5.4	OpenAI	$0.142	1.50s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 3 入力トークン 101,323 出力トークン 6,709 推論トークン 0 応答時間（平均） 1.50s 応答時間（合計） 32.91s 応答時間（最大） 10.57s 不正解: 14 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 4.8 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 : 2.9 汎用知能 : 5.0 指示追従 : 7.1 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#170#170	Laguna XS 2.1none	5.3	Poolside	$0.008	1.55s
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 30.3% 不安定なテスト 3 入力トークン 91,598 出力トークン 13,377 推論トークン 0 応答時間（平均） 1.55s 応答時間（合計） 34.19s 応答時間（最大） 19.02s 不正解: 14 指示に従っていない: 1 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 5.3 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 : 5.0 指示追従 : 3.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#171#171	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.061 ↑	5.52s
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 31.8% 不安定なテスト 6 入力トークン 93,979 出力トークン 46,957 推論トークン 0 応答時間（平均） 5.52s 応答時間（合計） 110.40s 応答時間（最大） 39.54s 不正解: 13 API エラー: 2 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.6 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 : 3.5 汎用知能 : 4.4 指示追従 : 6.2 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#172#172	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.58s
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 18.2% 不安定なテスト 0 入力トークン 106,414 出力トークン 11,555 推論トークン 0 応答時間（平均） 8.58s 応答時間（合計） 163.06s 応答時間（最大） 25.72s 不正解: 12 API エラー: 3 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 : 3.4 コーディング : 3.8 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 6.4 パズル解決 : 3.1 ツール呼び出し : 3.0 雑学 : 3.0
#175#175	Mistral Small 4none	5.1	Mistral	$0.022	1.20s
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 25.8% 不安定なテスト 1 入力トークン 104,708 出力トークン 9,812 推論トークン 0 応答時間（平均） 1.20s 応答時間（合計） 26.38s 応答時間（最大） 13.16s 不正解: 16 指示に従っていない: 1 反AIトリック : 3.4 コーディング : 3.7 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 : 4.0 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#176#176	Qwen3 Coder Nextnone	5.1	Qwen	$0.025 ↓	9.12s
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 25.8% 不安定なテスト 1 入力トークン 134,218 出力トークン 11,808 推論トークン 0 応答時間（平均） 9.12s 応答時間（合計） 145.94s 応答時間（最大） 45.14s 不正解: 14 余分な書式: 1 指示に従っていない: 1 回答なし: 1 反AIトリック : 3.6 コーディング : 4.6 複合 : 3.0 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 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#177#177	Mistral Small 4medium	5.1	Mistral	$0.096	10.77s
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 42.4% 不安定なテスト 8 入力トークン 140,494 出力トークン 39,462 推論トークン 92,362 応答時間（平均） 10.77s 応答時間（合計） 236.94s 応答時間（最大） 59.15s 不正解: 12 API エラー: 2 指示に従っていない: 2 回答なし: 1 反AIトリック : 5.6 コーディング : 4.4 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 7.3 パズル解決 : 3.4 ツール呼び出し : 10.0 雑学 : 3.0
#178#178	MiMo-V2.5none	5.1	Xiaomi	$0.025 ↓	4.62s
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 25.8% 不安定なテスト 1 入力トークン 141,043 出力トークン 16,464 推論トークン 0 応答時間（平均） 4.62s 応答時間（合計） 101.57s 応答時間（最大） 55.36s 不正解: 14 余分な書式: 1 指示に従っていない: 1 回答なし: 1 反AIトリック : 3.5 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#179#179	Qwen3.5-9Bnone	5.1	Qwen	$0.021 ↑	19.17s
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 19.7% 不安定なテスト 1 入力トークン 144,407 出力トークン 37,484 推論トークン 0 応答時間（平均） 19.17s 応答時間（合計） 421.74s 応答時間（最大） 382.06s 不正解: 14 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 3.1 コーディング : 3.9 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#180#180	GLM 5 Turbonone	5.1	Z.ai	$0.047 ↑	2.82s
モデルカードを見る合計テスト数 21 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 30.3% 不安定なテスト 2 入力トークン 32,525 出力トークン 1,815 推論トークン 0 応答時間（平均） 2.82s 応答時間（合計） 59.29s 応答時間（最大） 8.21s 不正解: 13 指示に従っていない: 2 反AIトリック : 3.0 コーディング : 3.9 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#182#182	MiniMax M2.7medium	5.0	Minimax	$0.163 ↓	41.28s
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 45.5% 不安定なテスト 9 入力トークン 114,518 出力トークン 18,558 推論トークン 119,036 応答時間（平均） 41.28s 応答時間（合計） 866.81s 応答時間（最大） 196.21s 不正解: 6 指示に従っていない: 5 回答なし: 2 タイムアウト: 2 API エラー: 1 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 : 5.7 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 3.8 パズル解決 : 5.9 ツール呼び出し : 4.7 雑学 : 3.0
#184#184	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	18.25s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 6 入力トークン 135,780 出力トークン 42,097 推論トークン 0 応答時間（平均） 18.25s 応答時間（合計） 401.60s 応答時間（最大） 115.89s 不正解: 7 API エラー: 4 余分な書式: 2 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 : 3.2 コーディング : 3.1 複合 : 4.8 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#185#185	GPT-4o-mininone	5.0	OpenAI	$0.010	1.99s
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 22.7% 不安定なテスト 0 入力トークン 53,136 出力トークン 2,911 推論トークン 0 応答時間（平均） 1.99s 応答時間（合計） 29.86s 応答時間（最大） 7.58s 不正解: 15 指示に従っていない: 1 回答なし: 1 反AIトリック : 4.8 コーディング : 3.2 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#187#187	GLM 4.7 Flashnone	4.9	Z.ai	$0.016	9.15s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 3 入力トークン 101,504 出力トークン 22,992 推論トークン 0 応答時間（平均） 9.15s 応答時間（合計） 137.18s 応答時間（最大） 97.15s 不正解: 13 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 : 5.2 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 7.7 汎用知能 : 4.0 指示追従 : 6.5 パズル解決 : 6.4 ツール呼び出し : 2.8 雑学 : 3.0

←

1 4 5 6 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