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: 2026-09-04 評価済みモデル数: 316

316/316

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#148#148	Solar Pro 4low	6.8	Upstage	$0.044	136.11s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 60.6% 不安定なテスト 6 入力トークン 90,556 出力トークン 6,153 推論トークン 332,220 応答時間（平均） 136.11s 応答時間（合計） 2994.49s 応答時間（最大） 640.89s 不正解: 6 指示に従っていない: 2 API エラー: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 8.2 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 : 5.5 指示追従 : 8.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#150#150	DeepSeek V4 Pronone	6.8	DeepSeek	$0.220 ↑	11.71s
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 47.0% 不安定なテスト 4 入力トークン 148,078 出力トークン 35,547 推論トークン 0 応答時間（平均） 11.71s 応答時間（合計） 257.67s 応答時間（最大） 119.44s 不正解: 9 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 3.2 コーディング : 5.6 複合 : 7.9 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 : 6.3 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#151#151	GLM 5.3low	6.8	Z.ai	$0.257	13.65s
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 10.0 試行ごとの合格率 65.2% 不安定なテスト 4 入力トークン 104,989 出力トークン 8,532 推論トークン 16,276 応答時間（平均） 13.65s 応答時間（合計） 300.22s 応答時間（最大） 83.60s 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 反AIトリック : 6.9 コーディング : 6.2 複合 : 3.8 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#152#152	MiMo-V2.5-Promedium	6.8	Xiaomi	$0.221 ↓	48.68s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 6 入力トークン 139,892 出力トークン 15,569 推論トークン 169,897 応答時間（平均） 48.68s 応答時間（合計） 1071.02s 応答時間（最大） 333.34s 余分な書式: 3 不正解: 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 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
#153#153	Gemini 3 Flash Previewnone	6.8	Google	$0.085	2.82s
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 65.2% 不安定なテスト 3 入力トークン 104,217 出力トークン 10,710 推論トークン 0 応答時間（平均） 2.82s 応答時間（合計） 45.05s 応答時間（最大） 21.19s 不正解: 8 回答なし: 1 反AIトリック : 8.3 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 : 6.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#154#154	Gemma 4 26B A4Bmedium	6.8	Google	$0.092 ↓	104.93s
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 10.0 試行ごとの合格率 69.7% 不安定なテスト 1 入力トークン 77,528 出力トークン 26,048 推論トークン 227,598 応答時間（平均） 104.93s 応答時間（合計） 2203.52s 応答時間（最大） 912.19s 回答なし: 2 タイムアウト: 2 不正解: 2 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 2.9 複合 : 6.3 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
#155#155	GLM 5.2none	6.7	Z.ai	$0.153 ↓	9.65s
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 63.6% 不安定なテスト 2 入力トークン 112,458 出力トークン 14,344 推論トークン 0 応答時間（平均） 9.65s 応答時間（合計） 212.38s 応答時間（最大） 79.65s 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 反AIトリック : 8.3 コーディング : 3.7 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.1 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
#156#156	KAT-Coder-Pro V2.5none	6.7	Kwaipilot	$0.487	26.01s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 8 入力トークン 98,508 出力トークン 139,572 推論トークン 0 応答時間（平均） 26.01s 応答時間（合計） 572.22s 応答時間（最大） 335.41s 不正解: 10 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 : 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
#158#158	Gemini 3.5 Flashminimal	6.7	Google	$0.300	2.65s
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 60.6% 不安定なテスト 1 入力トークン 100,762 出力トークン 16,454 推論トークン 0 応答時間（平均） 2.65s 応答時間（合計） 58.21s 応答時間（最大） 25.26s 不正解: 6 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 : 6.5 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 : 7.7 汎用知能 : 10.0 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#159#159	GLM 5V Turbomedium	6.7	Z.ai	$0.457	23.08s
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 65.2% 不安定なテスト 6 入力トークン 44,615 出力トークン 2,347 推論トークン 98,415 応答時間（平均） 23.08s 応答時間（合計） 484.63s 応答時間（最大） 95.88s 不正解: 7 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 : 7.2 コーディング : 6.0 複合 : 3.4 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 7.0 雑学 : 3.0
#160#160	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
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 51.5% 不安定なテスト 4 入力トークン 93,411 出力トークン 30,470 推論トークン 356,172 応答時間（平均） 153.29s 応答時間（合計） 3372.36s 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 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
#161#161	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 72.7% 不安定なテスト 0 入力トークン 69,576 出力トークン 6,265 推論トークン 0 応答時間（平均） 3.02s 応答時間（合計） 57.44s 応答時間（最大） 18.27s 不正解: 3 反AIトリック : 8.3 コーディング : 3.3 複合 : 4.8 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#162#162	Gemini 3.5 Flash Litelow	6.6	Google	$0.138	2.56s
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 10.0 試行ごとの合格率 69.7% 不安定なテスト 6 入力トークン 139,165 出力トークン 12,899 推論トークン 25,511 応答時間（平均） 2.56s 応答時間（合計） 56.32s 応答時間（最大） 15.14s 不正解: 8 指示に従っていない: 1 回答なし: 1 反AIトリック : 9.0 コーディング : 4.3 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 4.7
#163#163	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
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 102,325 出力トークン 24,323 推論トークン 0 応答時間（平均） 4.77s 応答時間（合計） 105.00s 応答時間（最大） 69.46s 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 : 5.8 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 : 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
#164#164	Gemini 3.1 Flash Lite Previewlow	6.6	Google	$0.646	16.67s
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 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 110,196 出力トークン 14,717 推論トークン 397,462 応答時間（平均） 16.67s 応答時間（合計） 366.69s 応答時間（最大） 309.35s 不正解: 6 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 : 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
#165#165	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
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 53.0% 不安定なテスト 3 入力トークン 100,255 出力トークン 6,422 推論トークン 49,847 応答時間（平均） 6.30s 応答時間（合計） 138.60s 応答時間（最大） 17.26s 不正解: 6 指示に従っていない: 4 無効なツール呼び出し: 2 反AIトリック : 10.0 コーディング : 7.8 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.3 指示追従 : 8.5 パズル解決 : 5.8 ツール呼び出し : 3.0 雑学 : 3.0
#166#166	Gemini 3.1 Flash Litelow	6.6	Google	$0.621	16.25s
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 63.6% 不安定なテスト 2 入力トークン 94,233 出力トークン 7,759 推論トークン 390,132 応答時間（平均） 16.25s 応答時間（合計） 357.39s 応答時間（最大） 318.02s 不正解: 8 無効なツール呼び出し: 1 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
#167#167	Qwen3.6 35B A3Bmedium	6.6	Qwen	$0.672 ↓	58.49s
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 10.0 試行ごとの合格率 57.6% 不安定なテスト 2 入力トークン 85,148 出力トークン 61,736 推論トークン 681,556 応答時間（平均） 58.49s 応答時間（合計） 1169.83s 応答時間（最大） 817.57s 不正解: 5 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 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
#168#168	Mercury 2.5 Previewhigh	6.6	Inception	$0.030	4.01s
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 10.0 試行ごとの合格率 65.2% 不安定なテスト 5 入力トークン 115,759 出力トークン 2,562 推論トークン 160,943 応答時間（平均） 4.01s 応答時間（合計） 88.25s 応答時間（最大） 17.71s 不正解: 6 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 反AIトリック : 10.0 コーディング : 6.7 複合 : 3.8 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#169#169	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
モデルカードを見る合計テスト数 22 誤答テスト数 11 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 102,655 出力トークン 29,370 推論トークン 0 応答時間（平均） 9.86s 応答時間（合計） 157.77s 応答時間（最大） 123.00s 不正解: 11 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 : 7.7 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
#170#170	Qwen3.6 27Bmedium	6.5	Qwen	$0.577 ↓	106.06s
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 60.6% 不安定なテスト 7 入力トークン 106,176 出力トークン 33,013 推論トークン 239,560 応答時間（平均） 106.06s 応答時間（合計） 2333.36s 応答時間（最大） 1085.11s 不正解: 5 回答なし: 3 無効なツール呼び出し: 2 余分な書式: 1 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
#171#171	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
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 118,998 出力トークン 30,750 推論トークン 491,730 応答時間（平均） 48.18s 応答時間（合計） 1059.93s 応答時間（最大） 422.72s 不正解: 10 回答なし: 2 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 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 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
#172#172	Hy3 previewmedium	6.5	Tencent	$0.049 ↕	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
#173#173	Gemini 3.1 Flash Lite Previewnone	6.4	Google	$0.052	1.56s
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 10.0 試行ごとの合格率 57.6% 不安定なテスト 1 入力トークン 120,955 出力トークン 14,161 推論トークン 0 応答時間（平均） 1.56s 応答時間（合計） 34.32s 応答時間（最大） 9.27s 不正解: 7 指示に従っていない: 2 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 : 5.3 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
#175#175	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
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 57.6% 不安定なテスト 5 入力トークン 113,889 出力トークン 110,550 推論トークン 496,487 応答時間（平均） 61.81s 応答時間（合計） 1359.72s 応答時間（最大） 417.36s 不正解: 7 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 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 7.9 パズル解決 : 5.3 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 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium