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: 2026-10-17 評価済みモデル数: 442

442/442

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#211#211	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
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 60.9% 不安定なテスト 3 入力トークン 207,852 出力トークン 5,555 推論トークン 0 応答時間（平均） 4.61s 応答時間（合計） 105.93s 応答時間（最大） 58.28s 不正解: 10 指示に従っていない: 1 エージェントタスク : 5.0 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
#292#292	Trinity Large Thinkinghigh	5.7	Arcee AI	$0.794 ↑	74.52s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 8 入力トークン 283,116 出力トークン 277,920 推論トークン 665,124 応答時間（平均） 74.52s 応答時間（合計） 1713.90s 応答時間（最大） 510.21s 不正解: 10 指示に従っていない: 4 無効なツール呼び出し: 2 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.7 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 6.3 パズル解決 : 4.7 ツール呼び出し : 10.0 雑学 : 3.0
#320#320	Ember-1none	5.4	Fireworks	$0.786	22.65s
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 8.8 試行ごとの合格率 43.5% 不安定なテスト 4 入力トークン 202,617 出力トークン 11,832 推論トークン 0 応答時間（平均） 22.65s 応答時間（合計） 520.91s 応答時間（最大） 93.12s 不正解: 10 API エラー: 5 エージェントタスク : 6.1 反AIトリック : 5.2 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.4 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#149#149	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
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 68.1% 不安定なテスト 5 入力トークン 258,760 出力トークン 22,221 推論トークン 630,059 応答時間（平均） 45.45s 応答時間（合計） 1045.45s 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 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 : 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
#187#187	Grok 4.6low	6.9	X AI	$0.781	16.44s
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 66.7% 不安定なテスト 1 入力トークン 263,427 出力トークン 6,006 推論トークン 36,309 応答時間（平均） 16.44s 応答時間（合計） 378.14s 応答時間（最大） 57.97s 不正解: 8 エージェントタスク : 5.0 反AIトリック : 10.0 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 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#162#162	LongCat 2.0high	7.3	Meituan	$0.778 ↑	151.67s
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 53.6% 不安定なテスト 4 入力トークン 275,080 出力トークン 32,447 推論トークン 372,188 応答時間（平均） 151.67s 応答時間（合計） 3488.43s 応答時間（最大） 941.66s 不正解: 7 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 エージェントタスク : 10.0 反AIトリック : 8.9 コーディング : 7.8 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
#111#111	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
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 9.9 試行ごとの合格率 89.9% 不安定なテスト 3 入力トークン 187,331 出力トークン 7,555 推論トークン 159,931 応答時間（平均） 16.64s 応答時間（合計） 382.64s 応答時間（最大） 108.60s 不正解: 2 無効なツール呼び出し: 1 タイムアウト: 1 エージェントタスク : 2.8 反AIトリック : 10.0 コーディング : 8.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 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
#171#171	LongCat 2.0medium	7.2	Meituan	$0.767 ↑	144.88s
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 59.4% 不安定なテスト 3 入力トークン 287,669 出力トークン 47,204 推論トークン 375,030 応答時間（平均） 144.88s 応答時間（合計） 3332.19s 応答時間（最大） 939.52s 不正解: 8 API エラー: 1 回答なし: 1 タイムアウト: 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 : 10.0 複合 : 7.3 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.8 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
#12#12	GPT-6.1 Solhigh	9.6	OpenAI	$0.755	15.46s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 174,960 出力トークン 5,780 推論トークン 34,728 応答時間（平均） 15.46s 応答時間（合計） 355.66s 応答時間（最大） 139.76s 不正解: 2 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 : 4.7
#45#45	Gemini 3.5 Flashlow	9.0	Google	$0.752	7.85s
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 2 入力トークン 244,533 出力トークン 3,450 推論トークン 39,280 応答時間（平均） 7.85s 応答時間（合計） 180.45s 応答時間（最大） 53.74s 不正解: 3 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 : 7.8 複合 : 8.2 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#346#346	Grok 4.20 Betamedium	4.9	X AI	$0.750 ↑	9.75s
モデルカードを見る合計テスト数 18 誤答テスト数 4 信頼性該当なし試行ごとの合格率 63.8% 不安定なテスト 1 入力トークン 35,955 出力トークン 1,647 推論トークン 91,565 応答時間（平均） 9.75s 応答時間（合計） 175.48s 応答時間（最大） 31.36s 不正解: 3 指示に従っていない: 1 エージェントタスク : 0.0 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 : 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 : 0.0
#273#273	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
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 68.1% 不安定なテスト 8 入力トークン 98,508 出力トークン 8,088 推論トークン 131,484 応答時間（平均） 24.96s 応答時間（合計） 574.12s 応答時間（最大） 335.41s 不正解: 10 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 3.0 反AIトリック : 8.7 コーディング : 6.1 複合 : 4.1 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#248#248	Gemini 3.1 Flash Lite Previewlow	6.3	Google	$0.736	19.04s
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 60.9% 不安定なテスト 0 入力トークン 309,715 出力トークン 16,170 推論トークン 422,721 応答時間（平均） 19.04s 応答時間（合計） 437.98s 応答時間（最大） 309.35s 不正解: 7 指示に従っていない: 1 無効なツール呼び出し: 1 エージェントタスク : 5.0 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 : 7.7 汎用知能 : 4.0 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
#249#249	Gemini 3.1 Flash Litelow	6.3	Google	$0.717	19.02s
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 60.9% 不安定なテスト 2 入力トークン 312,368 出力トークン 9,429 推論トークン 416,147 応答時間（平均） 19.02s 応答時間（合計） 437.38s 応答時間（最大） 318.02s 不正解: 9 無効なツール呼び出し: 1 エージェントタスク : 5.0 反AIトリック : 7.3 コーディング : 5.5 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.0 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
#245#245	Qwen3.5-35B-A3Bmedium	6.3	Qwen	$0.716 ↓	111.54s
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 65.2% 不安定なテスト 7 入力トークン 378,048 出力トークン 56,477 推論トークン 865,151 応答時間（平均） 111.54s 応答時間（合計） 2565.38s 応答時間（最大） 950.25s 回答なし: 3 タイムアウト: 3 不正解: 3 API エラー: 1 指示に従っていない: 1 無効なツール呼び出し: 1 エージェントタスク : 7.4 反AIトリック : 10.0 コーディング : 5.9 複合 : 3.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.5 汎用知能 : 2.8 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
#19#19	GPT-6 Solmedium	9.5	OpenAI	$0.703	12.12s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 194,520 出力トークン 5,396 推論トークン 25,991 応答時間（平均） 12.12s 応答時間（合計） 278.70s 応答時間（最大） 82.74s 不正解: 2 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 : 8.2 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
#90#90	GPT-5.6 Terrahigh	8.3	OpenAI	$0.698 ↓	13.62s
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 2 入力トークン 197,239 出力トークン 6,083 推論トークン 53,982 応答時間（平均） 13.62s 応答時間（合計） 313.21s 応答時間（最大） 91.49s 不正解: 7 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 : 7.6 複合 : 8.7 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 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#300#300	GPT-5.4none	5.6	OpenAI	$0.690	3.89s
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 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 219,404 出力トークン 9,372 推論トークン 0 応答時間（平均） 3.89s 応答時間（合計） 89.48s 応答時間（最大） 43.73s 不正解: 15 指示に従っていない: 1 エージェントタスク : 5.0 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
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
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 63.8% 不安定なテスト 5 入力トークン 212,065 出力トークン 4,428 推論トークン 154,069 応答時間（平均） 9.18s 応答時間（合計） 211.12s 応答時間（最大） 44.64s 不正解: 8 API エラー: 3 エージェントタスク : 3.0 反AIトリック : 9.2 コーディング : 10.0 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 : 5.1 指示追従 : 9.8 パズル解決 : 5.8 ツール呼び出し : 3.0 雑学 : 3.0
#355#355	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
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 50.7% 不安定なテスト 3 入力トークン 37,007 出力トークン 1,952 推論トークン 357,306 応答時間（平均） 41.16s 応答時間（合計） 823.26s 応答時間（最大） 299.23s 不正解: 5 指示に従っていない: 2 回答なし: 2 API エラー: 1 余分な書式: 1 エージェントタスク : 0.0 反AIトリック : 10.0 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 : 3.0 汎用知能 : 5.4 指示追従 : 8.3 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#161#161	Gemini 2.5 Flashmedium	7.3	Google	$0.680 ↑	20.51s
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 68.1% 不安定なテスト 1 入力トークン 132,507 出力トークン 12,739 推論トークン 228,626 応答時間（平均） 20.51s 応答時間（合計） 471.64s 応答時間（最大） 140.50s 不正解: 6 指示に従っていない: 2 エージェントタスク : 3.0 反AIトリック : 8.4 コーディング : 7.8 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.8 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
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
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 9.8 試行ごとの合格率 68.1% 不安定なテスト 3 入力トークン 482,754 出力トークン 62,455 推論トークン 141,067 応答時間（平均） 40.33s 応答時間（合計） 927.65s 応答時間（最大） 392.56s 不正解: 7 API エラー: 1 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 : 8.4 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.7 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
#266#266	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
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 59.4% 不安定なテスト 5 入力トークン 232,218 出力トークン 4,944 推論トークン 142,263 応答時間（平均） 9.03s 応答時間（合計） 207.67s 応答時間（最大） 36.04s 不正解: 7 API エラー: 3 指示に従っていない: 2 エージェントタスク : 3.0 反AIトリック : 8.8 コーディング : 8.4 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 : 5.1 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#49#49	Gemini 4 Argonmedium	9.0	Google	$0.674	6.63s
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 84.1% 不安定なテスト 1 入力トークン 215,326 出力トークン 6,668 推論トークン 17,615 応答時間（平均） 6.63s 応答時間（合計） 152.50s 応答時間（最大） 62.49s 不正解: 4 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 : 6.4 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 : 9.8 雑学 : 3.0
#260#260	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
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 62.3% 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） 23.94s 応答時間（合計） 550.52s 応答時間（最大） 257.00s 不正解: 9 API エラー: 2 指示に従っていない: 1 エージェントタスク : 3.0 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

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