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: 2026-07-24 評価済みモデル数: 222

222/222

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#189#189	Ling-2.6-flashnone	4.9	Inclusionai	$0.002 ↑	10.68s
モデルカードを見る合計テスト数 22 誤答テスト数 16 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 114,375 出力トークン 14,903 推論トークン 0 応答時間（平均） 10.68s 応答時間（合計） 213.51s 応答時間（最大） 36.03s 不正解: 9 無効なツール呼び出し: 3 API エラー: 2 指示に従っていない: 2 反AIトリック : 6.8 コーディング : 5.3 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 : 4.0 指示追従 : 9.8 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#190#190	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
#191#191	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
#193#193	KAT-Coder-Air V2.5none	4.8	Kwaipilot	$0.067	12.17s
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 37.9% 不安定なテスト 8 入力トークン 69,367 出力トークン 93,913 推論トークン 0 応答時間（平均） 12.17s 応答時間（合計） 267.83s 応答時間（最大） 121.05s 不正解: 13 余分な書式: 3 API エラー: 1 反AIトリック : 5.3 コーディング : 3.3 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#194#194	Trinity Large Previewnone	4.8	Arcee AI	$0.008 ↑	2.98s
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 10.0 試行ごとの合格率 21.2% 不安定なテスト 2 入力トークン 29,828 出力トークン 2,169 推論トークン 0 応答時間（平均） 2.98s 応答時間（合計） 56.57s 応答時間（最大） 14.34s 不正解: 12 指示に従っていない: 3 API エラー: 2 反AIトリック : 3.1 コーディング : 3.7 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 : 4.5 指示追従 : 3.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#196#196	Grok 4.1 Fastmedium	4.7	X AI	$0.069 ↑	23.85s
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 53.0% 不安定なテスト 6 入力トークン 42,845 出力トークン 2,006 推論トークン 96,334 応答時間（平均） 23.85s 応答時間（合計） 286.16s 応答時間（最大） 121.79s 指示に従っていない: 4 不正解: 4 回答なし: 1 タイムアウト: 1 反AIトリック : 8.7 コーディング : 7.8 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 4.2 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 2.8 雑学 : 3.0
#197#197	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
#198#198	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
#199#199	Cobuddymedium	4.7	Baidu	$0.000	39.90s
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 45.5% 不安定なテスト 6 入力トークン 37,449 出力トークン 1,677 推論トークン 116,703 応答時間（平均） 39.90s 応答時間（合計） 797.98s 応答時間（最大） 309.02s 不正解: 9 指示に従っていない: 3 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 8.7 コーディング : 3.7 複合 : 1.5 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 4.2 指示追従 : 9.8 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#200#200	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
#201#201	MiniMax M2.5medium	4.6	Minimax	$0.340 ↓	68.27s
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 45.5% 不安定なテスト 10 入力トークン 142,561 出力トークン 125,442 推論トークン 339,935 応答時間（平均） 68.27s 応答時間（合計） 955.75s 応答時間（最大） 251.36s 不正解: 7 タイムアウト: 4 指示に従っていない: 3 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 7.9 コーディング : 3.4 複合 : 3.7 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#202#202	Laguna S 2.1none	4.5	Poolside	$0.025	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 15.2% 不安定なテスト 3 入力トークン 125,598 出力トークン 57,634 推論トークン 0 応答時間（平均） 11.67s 応答時間（合計） 256.80s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 1 回答なし: 1 反AIトリック : 3.1 コーディング : 3.4 複合 : 2.9 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 : 4.3 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#210#210	Laguna Xs.2medium	4.1	Poolside	$0.015 ↕	6.73s
モデルカードを見る合計テスト数 19 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 6 入力トークン 39,481 出力トークン 54,218 推論トークン 0 応答時間（平均） 6.73s 応答時間（合計） 100.98s 応答時間（最大） 29.11s 不正解: 6 API エラー: 4 回答なし: 2 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 : 2.1 複合 : 1.5 データ解析と抽出 : 7.1 ドメイン特化 : 4.1 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 : 4.7 雑学 : 3.0
#211#211	Hy3 previewnone	4.0	Tencent	$0.003 ↕	12.92s
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 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 27,172 出力トークン 2,661 推論トークン 0 応答時間（平均） 12.92s 応答時間（合計） 232.64s 応答時間（最大） 35.84s 不正解: 8 API エラー: 4 指示に従っていない: 4 余分な書式: 1 反AIトリック : 4.8 コーディング : 2.7 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.1 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
#213#213	Granite 4.1 8Bnone	4.0	IBM Granite	$0.007	1.45s
モデルカードを見る合計テスト数 22 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 9.1% 不安定なテスト 0 入力トークン 113,827 出力トークン 5,996 推論トークン 0 応答時間（平均） 1.45s 応答時間（合計） 31.96s 応答時間（最大） 16.67s 不正解: 13 指示に従っていない: 4 無効なツール呼び出し: 2 余分な書式: 1 反AIトリック : 4.9 コーディング : 4.5 複合 : 3.0 データ解析と抽出 : 3.0 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 3.6 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#214#214	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
#215#215	Grok 4.1 Fastnone	3.8	X AI	$0.008 ↓	1.62s
モデルカードを見る合計テスト数 19 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 19.7% 不安定なテスト 3 入力トークン 36,608 出力トークン 1,723 推論トークン 0 応答時間（平均） 1.62s 応答時間（合計） 19.48s 応答時間（最大） 5.51s 不正解: 13 指示に従っていない: 3 反AIトリック : 3.2 コーディング : 1.8 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.4 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 2.8 雑学 : 3.0
#217#217	Laguna Xs.2none	3.8	Poolside	$0.004 ↕	806ms
モデルカードを見る合計テスト数 19 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 22.7% 不安定なテスト 0 入力トークン 33,675 出力トークン 2,826 推論トークン 0 応答時間（平均） 806ms 応答時間（合計） 12.09s 応答時間（最大） 2.01s 不正解: 8 API エラー: 4 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 : 3.0 コーディング : 8.3 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#218#218	gpt-oss-120bnone	3.7	OpenAI	$0.010 ↓	21.61s
モデルカードを見る合計テスト数 19 誤答テスト数 13 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 9,081 出力トークン 51,664 推論トークン 0 応答時間（平均） 21.61s 応答時間（合計） 345.79s 応答時間（最大） 113.71s 不正解: 8 API エラー: 3 指示に従っていない: 2 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 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 3.0 雑学 : 3.0
#219#219	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	3.4	NVIDIA	$0.000	17.13s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 27.3% 不安定なテスト 5 入力トークン 11,661 出力トークン 48,491 推論トークン 180,695 応答時間（平均） 17.13s 応答時間（合計） 222.66s 応答時間（最大） 147.45s 不正解: 7 API エラー: 6 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.4 コーディング : 1.1 複合 : 1.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 7.3 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0
#220#220	Nemotron 3 Nano Omni 30b A3b Reasoningnone	3.2	NVIDIA	$0.000	728ms
モデルカードを見る合計テスト数 19 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 15.2% 不安定なテスト 2 入力トークン 11,661 出力トークン 1,302 推論トークン 0 応答時間（平均） 728ms 応答時間（合計） 9.47s 応答時間（最大） 2.21s 不正解: 9 API エラー: 6 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.3 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 : 3.0 指示追従 : 4.8 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#221#221	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
#22#22	Qwen3.6 Max Previewmedium	8.4	Qwen	$1.143 ↓	67.53s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 9.9 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 79,240 出力トークン 5,098 推論トークン 164,842 応答時間（平均） 67.53s 応答時間（合計） 1485.64s 応答時間（最大） 238.07s 不正解: 5 タイムアウト: 1 反AIトリック : 10.0 コーディング : 8.8 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 : 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
#33#33	Step 3.7 Flashmedium	8.0	Stepfun	$0.515	26.37s
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 9.9 試行ごとの合格率 72.7% 不安定なテスト 3 入力トークン 114,062 出力トークン 427,572 推論トークン 0 応答時間（平均） 26.37s 応答時間（合計） 580.25s 応答時間（最大） 152.83s 不正解: 5 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 : 8.7 コーディング : 8.8 複合 : 7.3 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 : 9.8 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 3.0
#63#63	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.52s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 9.9 試行ごとの合格率 68.2% 不安定なテスト 0 入力トークン 95,983 出力トークン 12,446 推論トークン 0 応答時間（平均） 4.52s 応答時間（合計） 99.52s 応答時間（最大） 72.30s 不正解: 7 反AIトリック : 6.5 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 : 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 : 3.0
#103#103	Qwen3.6 Max Previewnone	6.6	Qwen	$0.231 ↓	7.82s
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 9.9 試行ごとの合格率 60.6% 不安定なテスト 2 入力トークン 106,339 出力トークン 19,257 推論トークン 0 応答時間（平均） 7.82s 応答時間（合計） 172.01s 応答時間（最大） 102.62s 不正解: 10 反AIトリック : 5.2 コーディング : 3.8 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.3 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
#130#130	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
#149#149	Ling 3.0 Flashnone	5.7	Inclusionai	$0.000	3.46s
モデルカードを見る合計テスト数 22 誤答テスト数 16 信頼性 9.9 試行ごとの合格率 27.3% 不安定なテスト 0 入力トークン 124,176 出力トークン 12,783 推論トークン 0 応答時間（平均） 3.46s 応答時間（合計） 76.06s 応答時間（最大） 17.51s 不正解: 14 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 : 4.8 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 : 3.0 汎用知能 : 5.0 指示追従 : 4.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#152#152	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.90s
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 43.9% 不安定なテスト 6 入力トークン 50,470 出力トークン 3,957 推論トークン 111,374 応答時間（平均） 15.90s 応答時間（合計） 349.71s 応答時間（最大） 118.35s 不正解: 9 API エラー: 3 余分な書式: 3 反AIトリック : 6.9 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 2.9 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#157#157	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 5 6 7 8

→

クイック比較

Gemini 3.6 FlashmediumvsGemini 3.6 Flashhigh Gemini 3.6 FlashhighvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3.6 Flashlow Gemini 3.6 FlashlowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGemini 3.5 Flashmedium Gemini 3.5 FlashmediumvsGPT-5.5medium

AI Benchy リーダーボード

モデルを絞り込む

クイック比較