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）
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
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 55.1% 不安定なテスト 1 入力トークン 123,273 出力トークン 19,362 推論トークン 0 応答時間（平均） 7.67s 応答時間（合計） 122.78s 応答時間（最大） 51.18s 不正解: 5 余分な書式: 4 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 : 4.8 コーディング : 5.5 複合 : 9.8 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 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#217#217	LongCat 2.0low	6.6	Meituan	$0.630 ↑	115.00s
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 9.9 試行ごとの合格率 55.1% 不安定なテスト 5 入力トークン 262,387 出力トークン 7,344 推論トークン 338,881 応答時間（平均） 115.00s 応答時間（合計） 2645.11s 応答時間（最大） 560.39s 不正解: 8 API エラー: 2 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 : 6.1 反AIトリック : 10.0 コーディング : 6.6 複合 : 10.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#48#48	Gemini 3.5 Flash Litehigh	9.0	Google	$0.624	11.92s
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 84.1% 不安定なテスト 2 入力トークン 244,529 出力トークン 6,784 推論トークン 213,142 応答時間（平均） 11.92s 応答時間（合計） 274.14s 応答時間（最大） 53.09s 不正解: 5 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 : 9.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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
#115#115	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
#62#62	DeepSeek V4.1 Flashhigh	8.7	DeepSeek	$0.617 ↑	33.27s
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 9.7 試行ごとの合格率 75.4% 不安定なテスト 3 入力トークン 282,490 出力トークン 8,621 推論トークン 455,535 応答時間（平均） 33.27s 応答時間（合計） 765.12s 応答時間（最大） 205.53s 不正解: 5 API エラー: 1 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 : 8.3 コーディング : 10.0 複合 : 10.0 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 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#53#53	Muse Spark Openlow	8.9	Meta	$0.600	21.62s
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 9.9 試行ごとの合格率 76.8% 不安定なテスト 3 入力トークン 278,684 出力トークン 10,151 推論トークン 48,907 応答時間（平均） 21.62s 応答時間（合計） 497.25s 応答時間（最大） 119.16s 不正解: 4 指示に従っていない: 2 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 : 9.2 コーディング : 10.0 複合 : 8.4 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 6.1 指示追従 : 8.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#180#180	GPT-5.2 Chatdefault	7.0	OpenAI	$0.594	7.43s
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 66.7% 不安定なテスト 4 入力トークン 101,104 出力トークン 10,414 推論トークン 19,328 応答時間（平均） 7.43s 応答時間（合計） 163.35s 応答時間（最大） 38.52s 不正解: 6 API エラー: 2 指示に従っていない: 1 回答なし: 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 : 8.8 複合 : 7.3 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#63#63	DeepSeek V4.1 Flashmedium	8.7	DeepSeek	$0.591 ↑	32.88s
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 9.6 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 280,643 出力トークン 7,342 推論トークン 437,323 応答時間（平均） 32.88s 応答時間（合計） 756.34s 応答時間（最大） 276.31s 不正解: 5 API エラー: 1 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 : 8.3 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 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 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#67#67	MiMo-V2.6-Promedium	8.7	Xiaomi	$0.586	148.11s
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 9.5 試行ごとの合格率 78.3% 不安定なテスト 7 入力トークン 298,476 出力トークン 7,762 推論トークン 515,918 応答時間（平均） 148.11s 応答時間（合計） 3406.53s 応答時間（最大） 904.91s 余分な書式: 3 不正解: 3 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 : 10.0 反AIトリック : 7.3 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 : 2.9 汎用知能 : 10.0 指示追従 : 8.4 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 2.8
#84#84	Muse Glimmer 30Bxhigh	8.4	Meta	$0.585 ↓	97.70s
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 9.9 試行ごとの合格率 71.0% 不安定なテスト 4 入力トークン 287,538 出力トークン 118,266 推論トークン 346,758 応答時間（平均） 97.70s 応答時間（合計） 2247.18s 応答時間（最大） 576.79s 不正解: 4 回答なし: 3 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 : 10.0 複合 : 6.0 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 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#10#10	Gemini 3.6 Flashmedium	9.8	Google	$0.577 ↓	14.03s
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 95.7% 不安定なテスト 2 入力トークン 188,003 出力トークン 2,914 推論トークン 113,210 応答時間（平均） 14.03s 応答時間（合計） 322.73s 応答時間（最大） 77.15s 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 : 5.8 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
#88#88	DeepSeek V4 Flash 0731high	8.4	DeepSeek	$0.576 ↑	118.83s
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 76.8% 不安定なテスト 5 入力トークン 281,863 出力トークン 24,535 推論トークン 507,976 応答時間（平均） 118.83s 応答時間（合計） 2733.01s 応答時間（最大） 600.61s 不正解: 5 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 : 8.7 コーディング : 6.3 複合 : 10.0 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#126#126	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
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 4 入力トークン 319,524 出力トークン 440,835 推論トークン 0 応答時間（平均） 26.57s 応答時間（合計） 611.09s 応答時間（最大） 152.83s 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 回答なし: 1 エージェントタスク : 7.4 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 : 5.3 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
#221#221	KAT-Coder-Pro V2.5low	6.5	Kwaipilot	$0.568 ↑	19.40s
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 8 入力トークン 87,682 出力トークン 7,166 推論トークン 106,027 応答時間（平均） 19.40s 応答時間（合計） 446.11s 応答時間（最大） 209.15s 不正解: 10 API エラー: 2 エージェントタスク : 3.0 反AIトリック : 6.9 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 : 3.5 汎用知能 : 4.1 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#166#166	Qwen3.5 Plus 2026-02-15medium	7.2	Qwen	$0.567	97.68s
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 72.5% 不安定なテスト 6 入力トークン 249,486 出力トークン 14,481 推論トークン 288,249 応答時間（平均） 97.68s 応答時間（合計） 1562.81s 応答時間（最大） 304.85s 不正解: 6 タイムアウト: 2 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 : 8.2 コーディング : 6.6 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.7 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
#163#163	Qwen3.6 Plusmedium	7.3	Qwen	$0.554 ↑	57.41s
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 3 入力トークン 222,601 出力トークン 8,185 推論トークン 238,605 応答時間（平均） 57.41s 応答時間（合計） 1263.02s 応答時間（最大） 307.08s 不正解: 6 API エラー: 1 指示に従っていない: 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 : 6.1 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 : 5.1 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
#200#200	GPT-6 Solnone	6.8	OpenAI	$0.551	9.02s
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 63.8% 不安定なテスト 4 入力トークン 235,086 出力トークン 7,989 推論トークン 0 応答時間（平均） 9.02s 応答時間（合計） 207.45s 応答時間（最大） 57.02s 不正解: 10 エージェントタスク : 5.0 反AIトリック : 6.9 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 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#413#413	Grok Build 0.1none	3.2	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 42.0% 不安定なテスト 4 入力トークン 11,793 出力トークン 1,809 推論トークン 265,466 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 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 : 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
#210#210	GPT 5.3 Chatdefault	6.7	OpenAI	$0.533	6.31s
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 62.3% 不安定なテスト 4 入力トークン 78,846 出力トークン 7,635 推論トークン 20,544 応答時間（平均） 6.31s 応答時間（合計） 138.73s 応答時間（最大） 18.33s 不正解: 6 API エラー: 2 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 : 6.7 コーディング : 5.6 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 : 4.6 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
#11#11	GPT-6.1 Solmedium	9.6	OpenAI	$0.530	8.90s
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 172,860 出力トークン 5,172 推論トークン 13,179 応答時間（平均） 8.90s 応答時間（合計） 204.78s 応答時間（最大） 51.03s 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
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
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 95.7% 不安定なテスト 2 入力トークン 233,400 出力トークン 6,922 推論トークン 173,178 応答時間（平均） 15.10s 応答時間（合計） 347.23s 応答時間（最大） 91.63s 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 : 5.8 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
#156#156	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
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 75.4% 不安定なテスト 5 入力トークン 257,138 出力トークン 13,830 推論トークン 55,775 応答時間（平均） 16.98s 応答時間（合計） 390.45s 応答時間（最大） 85.12s 不正解: 5 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 : 4.7 反AIトリック : 8.7 コーディング : 8.4 複合 : 7.3 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 2.8
#80#80	Claude Haiku 5.5max	8.5	Anthropic	$0.509	61.71s
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 1 入力トークン 487,516 出力トークン 10,212 推論トークン 909,487 応答時間（平均） 61.71s 応答時間（合計） 1419.40s 応答時間（最大） 288.94s 回答なし: 3 不正解: 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 : 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 : 3.0
#240#240	Gemini 3.5 Flashminimal	6.4	Google	$0.508	4.67s
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 58.0% 不安定なテスト 1 入力トークン 230,004 出力トークン 18,040 推論トークン 0 応答時間（平均） 4.67s 応答時間（合計） 107.45s 応答時間（最大） 49.23s 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 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 : 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
#229#229	KAT-Coder-Pro V2.5high	6.5	Kwaipilot	$0.506	21.21s
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 60.9% 不安定なテスト 6 入力トークン 106,085 出力トークン 9,071 推論トークン 135,288 応答時間（平均） 21.21s 応答時間（合計） 487.83s 応答時間（最大） 199.97s 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 : 7.0 コーディング : 6.4 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 : 5.1 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

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