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: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#183#183	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
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 69.6% 不安定なテスト 7 入力トークン 259,664 出力トークン 8,414 推論トークン 333,097 応答時間（平均） 49.20s 応答時間（合計） 1131.69s 応答時間（最大） 316.27s 不正解: 5 余分な書式: 2 回答なし: 2 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 : 6.2 複合 : 8.7 データ解析と抽出 : 2.7 ドメイン特化 : 3.6 汎用知能 : 5.4 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#237#237	Laguna XS 2.1medium	6.4	Poolside	$0.083	48.97s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 46.4% 不安定なテスト 3 入力トークン 352,516 出力トークン 33,786 推論トークン 504,506 応答時間（平均） 48.97s 応答時間（合計） 1126.35s 応答時間（最大） 422.72s 不正解: 10 無効なツール呼び出し: 2 回答なし: 2 エージェントタスク : 6.1 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
#384#384	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 43.5% 不安定なテスト 2 入力トークン 7,608 出力トークン 17,529 推論トークン 34,499 応答時間（平均） 48.94s 応答時間（合計） 831.92s 応答時間（最大） 143.82s API エラー: 7 不正解: 5 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 : 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
#104#104	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
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 71.0% 不安定なテスト 4 入力トークン 229,530 出力トークン 13,757 推論トークン 92,662 応答時間（平均） 48.87s 応答時間（合計） 1123.91s 応答時間（最大） 254.92s 不正解: 6 指示に従っていない: 2 回答なし: 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 : 8.0 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 6.7 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#80#80	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 85.5% 不安定なテスト 4 入力トークン 367,848 出力トークン 8,753 推論トークン 250,279 応答時間（平均） 48.35s 応答時間（合計） 1112.11s 応答時間（最大） 556.06s 不正解: 5 無効なツール呼び出し: 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 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 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
#314#314	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
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 9.7 試行ごとの合格率 43.5% 不安定なテスト 4 入力トークン 251,253 出力トークン 3,892 推論トークン 0 応答時間（平均） 46.97s 応答時間（合計） 1080.29s 応答時間（最大） 872.07s 不正解: 11 指示に従っていない: 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 : 5.0 反AIトリック : 6.5 コーディング : 3.6 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 : 10.0 パズル解決 : 4.6 ツール呼び出し : 10.0 雑学 : 3.0
#145#145	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
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 315,290 出力トークン 1,607 推論トークン 207,536 応答時間（平均） 46.60s 応答時間（合計） 1071.83s 応答時間（最大） 376.04s 不正解: 5 回答なし: 2 指示に従っていない: 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 : 7.7 複合 : 10.0 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 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#173#173	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
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 71.0% 不安定なテスト 7 入力トークン 293,775 出力トークン 13,527 推論トークン 396,291 応答時間（平均） 45.48s 応答時間（合計） 1045.97s 応答時間（最大） 431.47s 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 : 4.7 反AIトリック : 10.0 コーディング : 8.2 複合 : 6.9 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 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#152#152	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
#236#236	Grok 4.3medium	6.5	X AI	$0.989	44.53s
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 325,471 出力トークン 14,867 推論トークン 217,675 応答時間（平均） 44.53s 応答時間（合計） 1024.25s 応答時間（最大） 216.69s 不正解: 6 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 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.4 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#124#124	Muse Wondermax	7.9	Meta	$4.766	44.39s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 9.0 試行ごとの合格率 75.4% 不安定なテスト 3 入力トークン 93,126 出力トークン 10,497 推論トークン 209,138 応答時間（平均） 44.39s 応答時間（合計） 1021.02s 応答時間（最大） 287.79s API エラー: 4 不正解: 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 : 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 : 2.9 汎用知能 : 10.0 指示追従 : 7.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 2.8
#117#117	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
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 78.3% 不安定なテスト 6 入力トークン 322,894 出力トークン 8,010 推論トークン 394,755 応答時間（平均） 43.97s 応答時間（合計） 1011.29s 応答時間（最大） 390.70s 無効なツール呼び出し: 2 回答なし: 2 不正解: 2 余分な書式: 1 指示に従っていない: 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 : 8.2 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#421#421	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
モデルカードを見る合計テスト数 23 誤答テスト数 23 信頼性 8.8 試行ごとの合格率 7.3% 不安定なテスト 4 入力トークン 153,665 出力トークン 26,540 推論トークン 0 応答時間（平均） 42.72s 応答時間（合計） 982.66s 応答時間（最大） 634.11s 不正解: 13 指示に従っていない: 5 API エラー: 3 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 3.0 反AIトリック : 3.3 コーディング : 3.6 複合 : 3.0 データ解析と抽出 : 2.9 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 4.0 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#364#364	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
#140#140	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
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 68.1% 不安定なテスト 6 入力トークン 318,058 出力トークン 16,035 推論トークン 315,072 応答時間（平均） 41.03s 応答時間（合計） 943.75s 応答時間（最大） 394.54s 不正解: 7 指示に従っていない: 3 API エラー: 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 : 6.7 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 8.5 パズル解決 : 7.3 ツール呼び出し : 10.0 雑学 : 3.0
#194#194	Minimax M3.1 Flashmax	6.9	Minimax	$0.000	40.94s
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 59.4% 不安定なテスト 6 入力トークン 398,523 出力トークン 7,992 推論トークン 303,691 応答時間（平均） 40.94s 応答時間（合計） 941.68s 応答時間（最大） 256.57s 不正解: 8 無効なツール呼び出し: 2 API エラー: 1 指示に従っていない: 1 エージェントタスク : 5.2 反AIトリック : 6.4 コーディング : 10.0 複合 : 6.4 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 5.1 指示追従 : 5.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.927	40.60s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.6% 不安定なテスト 1 入力トークン 334,568 出力トークン 11,394 推論トークン 435,334 応答時間（平均） 40.60s 応答時間（合計） 933.73s 応答時間（最大） 177.08s 回答なし: 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 : 10.0 複合 : 10.0 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
#363#363	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 6.2 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 185,167 出力トークン 9,430 推論トークン 0 応答時間（平均） 40.38s 応答時間（合計） 928.76s 応答時間（最大） 95.32s 不正解: 14 API エラー: 2 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 エージェントタスク : 5.0 反AIトリック : 3.3 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 8.7 ドメイン特化 : 6.8 汎用知能 : 5.1 指示追従 : 7.0 パズル解決 : 4.6 ツール呼び出し : 3.0 雑学 : 3.0
#111#111	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
#170#170	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
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 9.7 試行ごとの合格率 66.7% 不安定なテスト 2 入力トークン 277,164 出力トークン 1,913 推論トークン 168,783 応答時間（平均） 40.09s 応答時間（合計） 881.89s 応答時間（最大） 214.63s 不正解: 4 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 エージェントタスク : 4.7 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 6.5 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 : 8.3 ツール呼び出し : 3.0 雑学 : 3.0
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
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 88.4% 不安定なテスト 3 入力トークン 180,959 出力トークン 6,472 推論トークン 123,635 応答時間（平均） 39.86s 応答時間（合計） 916.82s 応答時間（最大） 332.10s 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 : 8.8 複合 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 2.8
#48#48	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 85.5% 不安定なテスト 3 入力トークン 250,676 出力トークン 13,511 推論トークン 315,400 応答時間（平均） 39.83s 応答時間（合計） 916.20s 応答時間（最大） 219.77s 不正解: 4 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 : 10.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 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 : 9.6 雑学 : 3.0
#175#175	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
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 76.8% 不安定なテスト 5 入力トークン 212,440 出力トークン 22,922 推論トークン 115,335 応答時間（平均） 39.05s 応答時間（合計） 546.68s 応答時間（最大） 110.70s 不正解: 4 指示に従っていない: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 4.7 反AIトリック : 10.0 コーディング : 10.0 複合 : 5.0 データ解析と抽出 : 7.1 ドメイン特化 : 3.5 汎用知能 : 6.1 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
#442#442	Step 3.5 Flashnone	1.9	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 26.1% 不安定なテスト 0 入力トークン 1,971 出力トークン 50,509 推論トークン 33,867 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 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 : 1.0 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
#265#265	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 30.4% 不安定なテスト 4 入力トークン 403,455 出力トークン 100,227 推論トークン 15,364 応答時間（平均） 38.64s 応答時間（合計） 888.69s 応答時間（最大） 247.27s 不正解: 13 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 エージェントタスク : 10.0 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 : 3.0 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

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