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）
#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
#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
#135#135	Hy3 previewhigh	5.9	Tencent	$0.048 ↕	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 53.0% 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 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
#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
#170#170	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
#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
#147#147	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
#111#111	LongCat 2.0none	6.3	Meituan	$0.044	5.18s
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 36.4% 不安定なテスト 2 入力トークン 108,743 出力トークン 9,372 推論トークン 0 応答時間（平均） 5.18s 応答時間（合計） 113.95s 応答時間（最大） 48.38s 不正解: 14 余分な書式: 1 反AIトリック : 4.8 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 : 3.0 汎用知能 : 5.0 指示追従 : 6.5 パズル解決 : 4.0 ツール呼び出し : 10.0 雑学 : 3.0
#150#150	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
#113#113	MiMo-V2-Flashmedium	6.3	Xiaomi	$0.043 ↑	20.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 62.1% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 不正解: 5 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 反AIトリック : 8.1 コーディング : 6.0 複合 : 4.9 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 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
#45#45	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.042 ↓	49.75s
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 72.7% 不安定なテスト 5 入力トークン 108,392 出力トークン 14,478 推論トークン 153,687 応答時間（平均） 49.75s 応答時間（合計） 1094.41s 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 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 : 4.1 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
#158#158	KAT-Coder-Air V2.5low	5.4	Kwaipilot	$0.041	10.09s
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 9.9 試行ごとの合格率 45.5% 不安定なテスト 7 入力トークン 61,085 出力トークン 5,905 推論トークン 46,990 応答時間（平均） 10.09s 応答時間（合計） 222.03s 応答時間（最大） 86.23s 不正解: 7 余分な書式: 4 API エラー: 2 指示に従っていない: 2 反AIトリック : 7.3 コーディング : 3.5 複合 : 6.4 データ解析と抽出 : 6.5 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 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#180#180	GPT-5.4 Nanonone	4.8	OpenAI	$0.041	2.57s
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 28.8% 不安定なテスト 5 入力トークン 115,924 出力トークン 13,794 推論トークン 0 応答時間（平均） 2.57s 応答時間（合計） 56.51s 応答時間（最大） 25.50s 不正解: 15 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.5 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 : 2.9 汎用知能 : 3.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#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
#204#204	Qwen3.5-9Bmedium	3.8	Qwen	$0.036 ↑	82.24s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 5.0 試行ごとの合格率 25.8% 不安定なテスト 5 入力トークン 17,070 出力トークン 29,045 推論トークン 209,516 応答時間（平均） 82.24s 応答時間（合計） 1315.88s 応答時間（最大） 226.38s タイムアウト: 12 回答なし: 2 不正解: 2 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 : 5.1 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 2.8 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
#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
#186#186	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
モデルカードを見る合計テスト数 19 誤答テスト数 10 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 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 4 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 : 1.5 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 : 3.0 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
#187#187	Qwen3 Coder Nextmedium	4.7	Qwen	$0.032 ↓	9.61s
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 27.3% 不安定なテスト 3 入力トークン 148,194 出力トークン 19,069 推論トークン 0 応答時間（平均） 9.61s 応答時間（合計） 153.69s 応答時間（最大） 81.80s 不正解: 13 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 : 3.5 コーディング : 3.7 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 : 6.3 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
#189#189	Mercury 2none	4.6	Inception	$0.030	829ms
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 22.7% 不安定なテスト 2 入力トークン 88,704 出力トークン 9,564 推論トークン 0 応答時間（平均） 829ms 応答時間（合計） 18.24s 応答時間（最大） 4.52s 不正解: 17 指示に従っていない: 1 反AIトリック : 3.0 コーディング : 3.4 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 : 6.5 パズル解決 : 3.1 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
#168#168	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
#200#200	MiMo-V2-Flashnone	4.0	Xiaomi	$0.025 ↑	2.76s
モデルカードを見る合計テスト数 21 誤答テスト数 17 信頼性 6.7 試行ごとの合格率 24.2% 不安定なテスト 4 入力トークン 36,851 出力トークン 68,882 推論トークン 0 応答時間（平均） 2.76s 応答時間（合計） 46.99s 応答時間（最大） 19.68s 不正解: 13 指示に従っていない: 2 API エラー: 1 余分な書式: 1 反AIトリック : 3.2 コーディング : 4.3 複合 : 1.5 データ解析と抽出 : 2.9 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
#166#166	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
#165#165	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
#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
#169#169	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
#209#209	Step 3.5 Flashnone	2.3	Stepfun	$0.020	39.03s
モデルカードを見る合計テスト数 12 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 0 入力トークン 1,971 出力トークン 64,795 推論トークン 0 応答時間（平均） 39.03s 応答時間（合計） 312.26s 応答時間（最大） 114.12s API エラー: 4 指示に従っていない: 1 不正解: 1 反AIトリック : 10.0 コーディング : 9.8 複合 : 1.5 データ解析と抽出 : 1.5 ドメイン特化 : 3.3 汎用知能 : 4.0 指示追従 : 5.0 パズル解決 : 0.0 ツール呼び出し : 3.0 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
#100#100	Hy3 previewmedium	6.5	Tencent	$0.018 ↕	16.28s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 0 入力トークン 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 指示に従っていない: 1 反AIトリック : 10.0 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 : 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

←

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