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: 2026-09-04 評価済みモデル数: 316

316/316

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#118#118	Qwen3.7 Plusnone	7.3	Qwen	$0.106 ↓	12.11s
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 54.6% 不安定なテスト 0 入力トークン 98,833 出力トークン 58,097 推論トークン 0 応答時間（平均） 12.11s 応答時間（合計） 266.40s 応答時間（最大） 206.03s 不正解: 9 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 : 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
#119#119	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.066 ↓	84.66s
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 71.2% 不安定なテスト 8 入力トークン 89,819 出力トークン 58,398 推論トークン 492,457 応答時間（平均） 84.66s 応答時間（合計） 1862.46s 応答時間（最大） 288.78s 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 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
#120#120	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 63.6% 不安定なテスト 2 入力トークン 149,203 出力トークン 16,797 推論トークン 0 応答時間（平均） 4.92s 応答時間（合計） 108.24s 応答時間（最大） 35.03s 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 : 9.8 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#121#121	Kimi K2.6medium	7.2	Moonshot AI	$1.247 ↑	115.89s
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 63.6% 不安定なテスト 4 入力トークン 68,913 出力トークン 64,654 推論トークン 282,865 応答時間（平均） 115.89s 応答時間（合計） 2433.66s 応答時間（最大） 876.20s タイムアウト: 3 不正解: 3 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 反AIトリック : 7.0 コーディング : 5.7 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 : 10.0 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#122#122	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
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 63.6% 不安定なテスト 6 入力トークン 106,085 出力トークン 9,071 推論トークン 135,288 応答時間（平均） 22.11s 応答時間（合計） 486.31s 応答時間（最大） 199.97s 不正解: 10 無効なツール呼び出し: 1 反AIトリック : 7.0 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 : 5.1 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
#123#123	Muse Glimmer 30Bhigh	7.2	Meta	$0.397 ↓	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
#125#125	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
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 66.7% 不安定なテスト 6 入力トークン 92,191 出力トークン 14,286 推論トークン 289,733 応答時間（平均） 38.05s 応答時間（合計） 837.05s 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 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
#126#126	Muse Glimmer 30Bmedium	7.2	Meta	$0.211 ↓	30.64s
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 63.6% 不安定なテスト 6 入力トークン 116,513 出力トークン 33,065 推論トークン 135,009 応答時間（平均） 30.64s 応答時間（合計） 674.01s 応答時間（最大） 181.08s 不正解: 9 指示に従っていない: 1 回答なし: 1 反AIトリック : 9.2 コーディング : 8.4 複合 : 6.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#127#127	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
#128#128	Muse Glimmer 30Blow	7.1	Meta	$0.143 ↓	18.64s
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 63.6% 不安定なテスト 5 入力トークン 130,312 出力トークン 33,867 推論トークン 62,103 応答時間（平均） 18.64s 応答時間（合計） 410.18s 応答時間（最大） 234.92s 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 回答なし: 1 反AIトリック : 8.7 コーディング : 8.1 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 : 5.0 指示追従 : 8.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#129#129	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
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 63.6% 不安定なテスト 5 入力トークン 103,842 出力トークン 320,393 推論トークン 0 応答時間（平均） 17.87s 応答時間（合計） 393.04s 応答時間（最大） 124.75s 不正解: 9 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.2 複合 : 7.3 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.4 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#130#130	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
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 62.1% 不安定なテスト 5 入力トークン 79,740 出力トークン 23,357 推論トークン 339,837 応答時間（平均） 120.58s 応答時間（合計） 2652.77s 応答時間（最大） 491.07s 不正解: 5 指示に従っていない: 3 API エラー: 1 余分な書式: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 5.7 複合 : 7.3 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 : 7.9 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#131#131	Grok 4.3medium	7.0	X AI	$0.741	44.21s
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 66.7% 不安定なテスト 5 入力トークン 140,244 出力トークン 13,739 推論トークン 212,165 応答時間（平均） 44.21s 応答時間（合計） 972.64s 応答時間（最大） 216.69s 不正解: 6 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 : 10.0 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.4 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
#132#132	GPT-5.6 Solnone	7.0	OpenAI	$0.201 ↓	2.17s
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 63.6% 不安定なテスト 3 入力トークン 78,602 出力トークン 4,357 推論トークン 0 応答時間（平均） 2.17s 応答時間（合計） 47.66s 応答時間（最大） 12.81s 不正解: 9 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.5 指示追従 : 8.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#133#133	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
#135#135	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
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 59.1% 不安定なテスト 2 入力トークン 79,294 出力トークン 4,915 推論トークン 0 応答時間（平均） 2.35s 応答時間（合計） 51.78s 応答時間（最大） 12.24s 不正解: 10 反AIトリック : 6.9 コーディング : 5.5 複合 : 6.5 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 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#136#136	Mercury 2medium	7.0	Inception	$0.094	2.95s
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 53.0% 不安定なテスト 4 入力トークン 110,515 出力トークン 10,325 推論トークン 77,229 応答時間（平均） 2.95s 応答時間（合計） 61.89s 応答時間（最大） 14.63s 不正解: 8 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 : 8.2 複合 : 6.7 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
#137#137	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
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 5 入力トークン 102,986 出力トークン 5,860 推論トークン 264,399 応答時間（平均） 32.56s 応答時間（合計） 716.36s 応答時間（最大） 199.66s 不正解: 6 余分な書式: 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 : 8.2 コーディング : 6.3 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 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
#139#139	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
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 63.6% 不安定なテスト 8 入力トークン 118,496 出力トークン 53,522 推論トークン 167,420 応答時間（平均） 98.19s 応答時間（合計） 1571.05s 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 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 6.1 複合 : 6.7 データ解析と抽出 : 10.0 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#140#140	KAT-Coder-Pro V2.5medium	6.9	Kwaipilot	$0.478	24.87s
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 8 入力トークン 87,916 出力トークン 7,213 推論トークン 132,162 応答時間（平均） 24.87s 応答時間（合計） 547.14s 応答時間（最大） 257.00s 不正解: 9 API エラー: 1 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 7.8 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 : 4.7 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#141#141	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
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 56.1% 不安定なテスト 2 入力トークン 134,582 出力トークン 8,955 推論トークン 15,420 応答時間（平均） 10.33s 応答時間（合計） 227.37s 応答時間（最大） 33.10s 余分な書式: 4 不正解: 4 指示に従っていない: 3 反AIトリック : 6.5 コーディング : 3.4 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 : 10.0 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
#142#142	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
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 63.6% 不安定なテスト 7 入力トークン 114,477 出力トークン 12,786 推論トークン 457,290 応答時間（平均） 47.38s 応答時間（合計） 1042.43s 応答時間（最大） 593.64s 不正解: 8 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 : 10.0 コーディング : 6.2 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 : 5.5 指示追従 : 5.8 パズル解決 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#144#144	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
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 13,852 出力トークン 119,100 推論トークン 0 応答時間（平均） 10.18s 応答時間（合計） 183.29s 応答時間（最大） 64.36s API エラー: 4 不正解: 4 反AIトリック : 10.0 コーディング : 8.8 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 2.8
#145#145	Qwen3.6 Flashmedium	6.8	Qwen	$0.741 ↓	44.97s
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 66.7% 不安定なテスト 5 入力トークン 129,050 出力トークン 20,026 推論トークン 616,923 応答時間（平均） 44.97s 応答時間（合計） 989.32s 応答時間（最大） 578.13s 不正解: 8 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 : 10.0 コーディング : 5.0 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 : 4.8 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
#146#146	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

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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium