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: 2026-07-20 評価済みモデル数: 210

210/210

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#99#99	Qwen3.6 27Bmedium	6.5	Qwen	$0.779 ↑	106.32s
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 59.1% 不安定なテスト 6 入力トークン 106,167 出力トークン 32,889 推論トークン 241,303 応答時間（平均） 106.32s 応答時間（合計） 2339.12s 応答時間（最大） 1085.11s 不正解: 6 回答なし: 3 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 : 8.3 コーディング : 7.7 複合 : 6.7 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
#107#107	Qwen3.5 Plus 2026-02-15none	6.4	Qwen	$0.073 ↓	9.85s
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 48.5% 不安定なテスト 2 入力トークン 102,646 出力トークン 29,370 推論トークン 0 応答時間（平均） 9.85s 応答時間（合計） 157.63s 応答時間（最大） 123.00s 不正解: 12 反AIトリック : 4.8 コーディング : 4.3 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 : 4.4 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
#115#115	Gemma 4 31Bnone	6.2	Google	$0.035 ↑	5.34s
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 48.5% 不安定なテスト 1 入力トークン 125,728 出力トークン 13,317 推論トークン 0 応答時間（平均） 5.34s 応答時間（合計） 106.82s 応答時間（最大） 29.95s 不正解: 9 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 : 3.8 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
#117#117	GPT-5.6 Lunalow	6.2	OpenAI	$0.249	5.04s
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 56.1% 不安定なテスト 5 入力トークン 96,346 出力トークン 8,211 推論トークン 17,227 応答時間（平均） 5.04s 応答時間（合計） 110.88s 応答時間（最大） 19.44s 不正解: 10 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 : 5.5 複合 : 2.8 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 : 8.5 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#120#120	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.86s
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 51.5% 不安定なテスト 3 入力トークン 119,065 出力トークン 11,118 推論トークン 0 応答時間（平均） 1.86s 応答時間（合計） 40.88s 応答時間（最大） 12.97s 不正解: 8 指示に従っていない: 3 回答なし: 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 : 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
#123#123	Inklinglow	6.1	Thinkingmachines	$0.187	5.15s
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 9.9 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 109,884 出力トークン 8,579 推論トークン 10,343 応答時間（平均） 5.15s 応答時間（合計） 113.39s 応答時間（最大） 41.58s 不正解: 8 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 : 8.3 コーディング : 5.1 複合 : 2.9 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 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#181#181	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 48.5% 不安定なテスト 5 入力トークン 721,952 出力トークン 294,668 推論トークン 305,374 応答時間（平均） 9.69s 応答時間（合計） 155.07s 応答時間（最大） 35.28s 不正解: 4 API エラー: 2 余分な書式: 2 指示に従っていない: 2 反AIトリック : 6.9 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.8 指示追従 : 9.8 パズル解決 : 6.7 ツール呼び出し : 3.0 雑学 : 0.0
#184#184	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 53.0% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 反AIトリック : 7.3 コーディング : 9.8 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#141#141	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
#97#97	LongCat 2.0high	6.6	Meituan	$0.469	148.73s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 9.4 試行ごとの合格率 53.0% 不安定なテスト 5 入力トークン 93,357 出力トークン 30,466 推論トークン 336,325 応答時間（平均） 148.73s 応答時間（合計） 3272.00s 応答時間（最大） 941.66s 不正解: 6 タイムアウト: 3 指示に従っていない: 2 回答なし: 2 反AIトリック : 8.9 コーディング : 7.6 複合 : 10.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 5.1 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
#102#102	Laguna XS 2.1medium	6.5	Poolside	$0.068	47.93s
モデルカードを見る合計テスト数 22 誤答テスト数 13 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 118,989 出力トークン 30,750 推論トークン 491,833 応答時間（平均） 47.93s 応答時間（合計） 1054.49s 応答時間（最大） 422.72s 不正解: 11 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 6.3 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#118#118	Gemini 2.5 Flashnone	6.2	Google	$0.017	6.20s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 1 入力トークン 39,877 出力トークン 1,890 推論トークン 0 応答時間（平均） 6.20s 応答時間（合計） 136.37s 応答時間（最大） 118.00s 不正解: 12 無効なツール呼び出し: 1 反AIトリック : 3.0 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 : 5.9 汎用知能 : 5.0 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
#121#121	gpt-oss-120bmedium	6.1	OpenAI	$0.019 ↓	21.91s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.0% 不安定なテスト 5 入力トークン 108,747 出力トークン 29,772 推論トークン 68,044 応答時間（平均） 21.91s 応答時間（合計） 328.70s 応答時間（最大） 68.16s 不正解: 9 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 : 6.7 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 2.9 汎用知能 : 4.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 9.8 雑学 : 3.0
#122#122	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.0% 不安定なテスト 4 入力トークン 118,050 出力トークン 10,723 推論トークン 0 応答時間（平均） 1.75s 応答時間（合計） 38.60s 応答時間（最大） 16.25s 不正解: 11 指示に従っていない: 1 回答なし: 1 反AIトリック : 7.5 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 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#128#128	GPT-5 Nanomedium	6.1	OpenAI	$0.114	54.87s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 56.1% 不安定なテスト 8 入力トークン 94,935 出力トークン 12,042 推論トークン 261,056 応答時間（平均） 54.87s 応答時間（合計） 822.99s 応答時間（最大） 227.89s 不正解: 9 指示に従っていない: 2 回答なし: 1 タイムアウト: 1 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 : 5.2 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
#137#137	North Mini Codemedium	5.9	Cohere	$0.000	137.11s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 8.6 試行ごとの合格率 48.5% 不安定なテスト 4 入力トークン 81,813 出力トークン 424,772 推論トークン 1,342,029 応答時間（平均） 137.11s 応答時間（合計） 3016.42s 応答時間（最大） 786.72s 不正解: 9 余分な書式: 2 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 8.4 コーディング : 4.5 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#179#179	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↕	55.10s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 7,599 出力トークン 39,954 推論トークン 0 応答時間（平均） 55.10s 応答時間（合計） 881.55s 応答時間（最大） 143.82s API エラー: 6 不正解: 5 指示に従っていない: 2 反AIトリック : 9.2 コーディング : 5.3 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 5.3 汎用知能 : 4.3 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
#145#145	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
#146#146	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
#157#157	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
#202#202	Grok Build 0.1none	4.0	X AI	$0.547	28.69s
モデルカードを見る合計テスト数 19 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 11,793 出力トークン 267,275 推論トークン 0 応答時間（平均） 28.69s 応答時間（合計） 459.00s 応答時間（最大） 138.35s 不正解: 7 API エラー: 3 指示に従っていない: 2 反AIトリック : 8.7 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 3.8 ドメイン特化 : 3.6 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#103#103	Qwen3.5-27Bnone	6.5	Qwen	$0.090 ↑	4.76s
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 40.9% 不安定なテスト 2 入力トークン 102,316 出力トークン 24,321 推論トークン 0 応答時間（平均） 4.76s 応答時間（合計） 104.71s 応答時間（最大） 69.46s 不正解: 12 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 5.8 複合 : 6.4 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 : 6.3 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#112#112	Claude Sonnet 5none	6.3	Anthropic	$0.548	6.04s
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 45.5% 不安定なテスト 4 入力トークン 161,035 出力トークン 22,511 推論トークン 0 応答時間（平均） 6.04s 応答時間（合計） 132.85s 応答時間（最大） 33.39s 不正解: 7 余分な書式: 4 回答なし: 2 指示に従っていない: 1 反AIトリック : 5.3 コーディング : 4.6 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 : 4.7 指示追従 : 6.4 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#116#116	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.40s
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 43.9% 不安定なテスト 4 入力トークン 142,197 出力トークン 14,746 推論トークン 0 応答時間（平均） 4.40s 応答時間（合計） 96.84s 応答時間（最大） 44.58s 不正解: 13 回答なし: 1 反AIトリック : 3.0 コーディング : 5.6 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 : 10.0 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
#125#125	Qwen3.5-Flashnone	6.1	Qwen	$0.073 ↓	25.28s
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 39.4% 不安定なテスト 2 入力トークン 282,347 出力トークン 209,201 推論トークン 0 応答時間（平均） 25.28s 応答時間（合計） 556.24s 応答時間（最大） 480.96s 不正解: 13 無効なツール呼び出し: 1 反AIトリック : 3.5 コーディング : 5.5 複合 : 2.9 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 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#126#126	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.56s
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 43.9% 不安定なテスト 4 入力トークン 94,468 出力トークン 51,487 推論トークン 0 応答時間（平均） 13.56s 応答時間（合計） 298.31s 応答時間（最大） 206.05s 不正解: 12 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.9 複合 : 6.4 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 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#129#129	Nemotron 3 Ultranone	6.1	NVIDIA	$0.095 ↕	3.87s
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 101,275 出力トークン 9,474 推論トークン 0 応答時間（平均） 3.87s 応答時間（合計） 85.15s 応答時間（最大） 37.50s 不正解: 12 API エラー: 1 指示に従っていない: 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 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 10.0 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 Terranone	6.0	OpenAI	$0.349	1.65s
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 3 入力トークン 102,259 出力トークン 6,203 推論トークン 0 応答時間（平均） 1.65s 応答時間（合計） 36.28s 応答時間（最大） 10.07s 不正解: 11 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 反AIトリック : 4.8 コーディング : 5.5 複合 : 2.9 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 : 8.5 パズル解決 : 5.3 ツール呼び出し : 9.6 雑学 : 3.0
#140#140	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	51.99s
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 8.7 試行ごとの合格率 40.9% 不安定なテスト 3 入力トークン 81,429 出力トークン 18,371 推論トークン 98,853 応答時間（平均） 51.99s 応答時間（合計） 1039.89s 応答時間（最大） 431.98s 不正解: 5 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 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
#149#149	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.42s
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 9.9 試行ごとの合格率 45.5% 不安定なテスト 3 入力トークン 51,472 出力トークン 7,822 推論トークン 58,352 応答時間（平均） 8.42s 応答時間（合計） 185.24s 応答時間（最大） 48.19s 不正解: 11 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 : 8.7 コーディング : 3.6 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0

←

1 2 3 4 5 6 7

→

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultramedium無料で利用可能 Gemini 3 Flash PreviewmediumvsNorth Mini Codemedium無料で利用可能 Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

AI Benchy リーダーボード

モデルを絞り込む

クイック比較