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）
#81#81	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
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 487,516 出力トークン 10,212 推論トークン 909,487 応答時間（平均） 61.71s 応答時間（合計） 1419.40s 応答時間（最大） 288.94s 回答なし: 3 不正解: 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 : 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#5#5	GPT-6 Astramax	9.9	OpenAI	$5.044	61.63s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 9.6 試行ごとの合格率 95.7% 不安定なテスト 0 入力トークン 181,223 出力トークン 5,707 推論トークン 58,909 応答時間（平均） 61.63s 応答時間（合計） 1417.51s 応答時間（最大） 960.01s 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 : 10.0 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 : 10.0
#71#71	DeepSeek V4.1 Flashmax	8.6	DeepSeek	$1.204 ↑	61.58s
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 9.4 試行ごとの合格率 69.6% 不安定なテスト 2 入力トークン 414,054 出力トークン 7,635 推論トークン 900,536 応答時間（平均） 61.58s 応答時間（合計） 1416.24s 応答時間（最大） 335.08s 不正解: 6 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 : 8.3 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 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
#267#267	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 8 入力トークン 363,310 出力トークン 381,919 推論トークン 0 応答時間（平均） 60.03s 応答時間（合計） 1380.67s 応答時間（最大） 459.99s 不正解: 9 指示に従っていない: 2 回答なし: 2 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 : 6.4 コーディング : 6.6 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 5.0 指示追従 : 5.6 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#229#229	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
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 58.0% 不安定なテスト 3 入力トークン 282,192 出力トークン 75,306 推論トークン 700,868 応答時間（平均） 59.92s 応答時間（合計） 1258.32s 応答時間（最大） 817.57s 不正解: 6 API エラー: 2 指示に従っていない: 1 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 : 6.1 反AIトリック : 10.0 コーディング : 7.7 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 : 4.4 指示追従 : 10.0 パズル解決 : 8.0 ツール呼び出し : 3.0 雑学 : 3.0
#98#98	Qwen3.7 Plusmedium	8.3	Qwen	$0.415 ↓	59.73s
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 76.8% 不安定なテスト 3 入力トークン 350,546 出力トークン 8,576 推論トークン 206,984 応答時間（平均） 59.73s 応答時間（合計） 1373.73s 応答時間（最大） 315.30s 不正解: 6 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 : 6.1 複合 : 8.2 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 : 10.0 パズル解決 : 10.0 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
#332#332	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 9.2 試行ごとの合格率 33.3% 不安定なテスト 1 入力トークン 332,917 出力トークン 18,989 推論トークン 42,362 応答時間（平均） 58.20s 応答時間（合計） 1338.65s 応答時間（最大） 566.80s 不正解: 11 タイムアウト: 3 指示に従っていない: 1 回答なし: 1 エージェントタスク : 6.1 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 : 6.5 ドメイン特化 : 5.3 汎用知能 : 4.0 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
#196#196	Ember-1high	6.9	Fireworks	$2.405	58.14s
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 8.6 試行ごとの合格率 71.0% 不安定なテスト 8 入力トークン 195,489 出力トークン 12,475 推論トークン 108,748 応答時間（平均） 58.14s 応答時間（合計） 1337.19s 応答時間（最大） 255.06s API エラー: 7 不正解: 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 : 6.1 反AIトリック : 8.7 コーディング : 8.2 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 : 10.0 指示追従 : 7.1 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#166#166	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
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 69.6% 不安定なテスト 3 入力トークン 222,601 出力トークン 8,185 推論トークン 238,605 応答時間（平均） 57.41s 応答時間（合計） 1263.02s 応答時間（最大） 307.08s 不正解: 6 API エラー: 1 指示に従っていない: 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 : 6.1 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 : 5.1 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
#248#248	MiMo-V2.5-Promedium	6.4	Xiaomi	$0.332 ↓	56.72s
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 63.8% 不安定なテスト 7 入力トークン 253,462 出力トークン 40,269 推論トークン 185,716 応答時間（平均） 56.72s 応答時間（合計） 1304.54s 応答時間（最大） 333.34s 不正解: 4 余分な書式: 3 指示に従っていない: 2 API エラー: 1 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 : 4.7 反AIトリック : 10.0 コーディング : 6.2 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 9.9 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#365#365	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	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 50.7% 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 エージェントタスク : 0.0 反AIトリック : 6.4 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 : 5.3 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
#302#302	GPT-5 Nanomedium	5.7	OpenAI	$0.159 ↑	56.55s
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 53.6% 不安定なテスト 10 入力トークン 314,436 出力トークン 13,578 推論トークン 294,343 応答時間（平均） 56.55s 応答時間（合計） 961.32s 応答時間（最大） 227.89s 不正解: 11 指示に従っていない: 2 回答なし: 1 タイムアウト: 1 エージェントタスク : 4.7 反AIトリック : 6.5 コーディング : 7.0 複合 : 6.4 データ解析と抽出 : 3.7 ドメイン特化 : 3.4 汎用知能 : 4.1 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
#315#315	Nemotron 3 Supermedium	5.5	NVIDIA	$0.081 ↑	56.40s
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 9.5 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 229,346 出力トークン 18,597 推論トークン 129,338 応答時間（平均） 56.40s 応答時間（合計） 1184.46s 応答時間（最大） 431.98s 不正解: 6 API エラー: 4 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 エージェントタスク : 4.7 反AIトリック : 8.3 コーディング : 3.1 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 : 4.1 指示追従 : 7.3 パズル解決 : 3.0 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
#209#209	Grok Build 0.1medium	6.7	X AI	$1.419	55.13s
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 58.0% 不安定なテスト 1 入力トークン 358,616 出力トークン 9,651 推論トークン 520,155 応答時間（平均） 55.13s 応答時間（合計） 1268.10s 応答時間（最大） 252.69s 不正解: 6 余分な書式: 3 無効なツール呼び出し: 1 エージェントタスク : 3.4 反AIトリック : 8.3 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 : 2.9 汎用知能 : 4.4 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
#182#182	MiMo-V2.6-Flashlow	7.1	Xiaomi	$0.200	54.57s
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 256,428 出力トークン 9,786 推論トークン 575,630 応答時間（平均） 54.57s 応答時間（合計） 1255.15s 応答時間（最大） 345.18s 不正解: 5 指示に従っていない: 2 回答なし: 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 : 8.2 コーディング : 8.4 複合 : 6.6 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 : 8.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#139#139	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
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 9.7 試行ごとの合格率 65.2% 不安定なテスト 2 入力トークン 176,539 出力トークン 4,419 推論トークン 195,929 応答時間（平均） 54.06s 応答時間（合計） 1189.36s 応答時間（最大） 203.01s 不正解: 8 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 : 6.2 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 : 4.9 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
#53#53	GLM 5.3 Flashmax	9.0	Z.ai	$0.089	54.04s
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 82.6% 不安定なテスト 3 入力トークン 255,743 出力トークン 8,684 推論トークン 207,435 応答時間（平均） 54.04s 応答時間（合計） 1242.97s 応答時間（最大） 333.47s 不正解: 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 回答なし: 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 : 7.3 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 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Muse Spark 1.3high	9.1	Meta	$1.891	52.87s
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 78.3% 不安定なテスト 2 入力トークン 257,320 出力トークン 14,459 推論トークン 354,683 応答時間（平均） 52.87s 応答時間（合計） 1216.04s 応答時間（最大） 251.53s 不正解: 3 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 : 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 : 2.9 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 8.7 ツール呼び出し : 9.6 雑学 : 3.0
#444#444	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
モデルカードを見る合計テスト数 1 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 134,050 出力トークン 1,029 推論トークン 11,528 応答時間（平均） 52.45s 応答時間（合計） 52.45s 応答時間（最大） 52.45s エージェントタスク : 10.0 反AIトリック : 0.0 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 0.0 汎用知能 : 0.0 指示追従 : 0.0 パズル解決 : 0.0 ツール呼び出し : 0.0 雑学 : 0.0
#221#221	Qwen3.7 Flashmedium	6.6	Qwen	$0.076	51.80s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 8 入力トークン 300,394 出力トークン 14,081 推論トークン 500,844 応答時間（平均） 51.80s 応答時間（合計） 1191.42s 応答時間（最大） 593.64s 不正解: 8 指示に従っていない: 4 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 : 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
#280#280	Granite 4.2 8Bmedium	6.1	IBM Granite	$0.029	50.47s
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 8.9 試行ごとの合格率 37.7% 不安定なテスト 1 入力トークン 259,708 出力トークン 16,567 推論トークン 33,580 応答時間（平均） 50.47s 応答時間（合計） 1160.91s 応答時間（最大） 557.96s 不正解: 9 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 : 8.4 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 : 5.3 汎用知能 : 4.0 指示追従 : 3.8 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#351#351	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
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 10.0 試行ごとの合格率 44.9% 不安定なテスト 10 入力トークン 277,130 出力トークン 45,188 推論トークン 129,163 応答時間（平均） 50.32s 応答時間（合計） 1107.03s 応答時間（最大） 198.82s 不正解: 6 指示に従っていない: 5 無効なツール呼び出し: 2 回答なし: 2 タイムアウト: 2 API エラー: 1 エージェントタスク : 4.7 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
#82#82	Nemotron 3.5 Super VLhigh	8.4	NVIDIA	$0.349	49.88s
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 9.9 試行ごとの合格率 82.6% 不安定なテスト 6 入力トークン 296,001 出力トークン 8,105 推論トークン 600,178 応答時間（平均） 49.88s 応答時間（合計） 1147.24s 応答時間（最大） 310.51s 不正解: 3 指示に従っていない: 2 回答なし: 2 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 : 8.4 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.5 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

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