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: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#123#123	Muse Glimmer 30Blow	7.1	Meta	$0.152 ↓	18.64s
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 5 入力トークン 130,312 出力トークン 33,867 推論トークン 62,103 応答時間（平均） 18.64s 応答時間（合計） 410.18s 応答時間（最大） 234.92s 不正解: 6 指示に従っていない: 3 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 : 8.1 複合 : 3.8 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 : 8.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#238#238	Kimi K2.5none	5.4	Moonshot AI	$0.101 ↓	18.03s
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 30.3% 不安定なテスト 4 入力トークン 89,320 出力トークン 26,643 推論トークン 0 応答時間（平均） 18.03s 応答時間（合計） 288.42s 応答時間（最大） 102.83s 不正解: 16 回答なし: 1 反AIトリック : 3.6 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#262#262	DeepSeek V3.2none	5.0	DeepSeek	$0.054 ↑	17.89s
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 36.4% 不安定なテスト 5 入力トークン 135,831 出力トークン 42,099 推論トークン 0 応答時間（平均） 17.89s 応答時間（合計） 393.53s 応答時間（最大） 115.89s 不正解: 8 API エラー: 3 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 反AIトリック : 3.2 コーディング : 3.1 複合 : 4.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.7 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
#124#124	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
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 5 入力トークン 103,842 出力トークン 320,393 推論トークン 0 応答時間（平均） 17.87s 応答時間（合計） 393.04s 応答時間（最大） 124.75s 不正解: 9 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 : 8.2 複合 : 7.3 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#308#308	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
#25#25	GPT-5.3-Codexmedium	8.9	OpenAI	$0.988	16.91s
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 10.0 試行ごとの合格率 83.3% 不安定なテスト 4 入力トークン 81,187 出力トークン 6,258 推論トークン 54,116 応答時間（平均） 16.91s 応答時間（合計） 372.03s 応答時間（最大） 100.93s 不正解: 4 指示に従っていない: 2 反AIトリック : 8.7 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 : 5.9 汎用知能 : 4.6 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 2.8
#1🥇 #1	Gemini 3.6 Flashhigh	9.9	Google	$0.699 ↓	16.81s
モデルカードを見る合計テスト数 22 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.5% 不安定なテスト 1 入力トークン 71,470 出力トークン 3,276 推論トークン 168,709 応答時間（平均） 16.81s 応答時間（合計） 369.88s 応答時間（最大） 104.15s 不正解: 1 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
#159#159	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
#86#86	GPT-5.6 Lunahigh	7.6	OpenAI	$0.179 ↓	16.49s
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 69.7% 不安定なテスト 4 入力トークン 80,927 出力トークン 5,088 推論トークン 130,227 応答時間（平均） 16.49s 応答時間（合計） 362.78s 応答時間（最大） 111.09s 不正解: 8 反AIトリック : 8.3 コーディング : 5.5 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 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#167#167	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
#161#161	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
#46#46	Grok 4.5low	8.4	X AI	$0.945	16.17s
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 10.0 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 125,605 出力トークン 7,505 推論トークン 107,984 応答時間（平均） 16.17s 応答時間（合計） 355.67s 応答時間（最大） 205.28s 不正解: 6 反AIトリック : 10.0 コーディング : 10.0 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 : 6.1 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
#54#54	Muse Spark 1.3low	8.2	Meta	$0.689	16.03s
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 81.8% 不安定なテスト 5 入力トークン 116,947 出力トークン 11,026 推論トークン 116,685 応答時間（平均） 16.03s 応答時間（合計） 352.69s 応答時間（最大） 78.72s 不正解: 4 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 反AIトリック : 10.0 コーディング : 8.2 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#220#220	KAT-Coder-Air V2.5high	5.6	Kwaipilot	$0.077	15.87s
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 9.8 試行ごとの合格率 42.4% 不安定なテスト 5 入力トークン 50,423 出力トークン 4,144 推論トークン 110,510 応答時間（平均） 15.87s 応答時間（合計） 349.16s 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 : 3.0 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
#64#64	Inklingmedium	8.0	Thinkingmachines	$0.383	15.66s
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 75.8% 不安定なテスト 4 入力トークン 124,062 出力トークン 12,190 推論トークン 51,652 応答時間（平均） 15.66s 応答時間（合計） 344.52s 応答時間（最大） 85.12s 不正解: 4 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 : 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
#7#7	Gemini 3.5 Flashhigh	9.4	Google	$2.011	15.46s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 89.4% 不安定なテスト 2 入力トークン 107,146 出力トークン 8,777 推論トークン 196,705 応答時間（平均） 15.46s 応答時間（合計） 340.20s 応答時間（最大） 145.92s 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 : 10.0 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 9.8 雑学 : 10.0
#264#264	Qwen3.6 Plus Previewmedium	4.9	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性該当なし試行ごとの合格率 40.9% 不安定なテスト 0 入力トークン 32,639 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s API エラー: 8 不正解: 2 反AIトリック : 8.3 コーディング : 9.8 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 : 3.0 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#39#39	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 1 入力トークン 89,640 出力トークン 33,092 推論トークン 9,054 応答時間（平均） 15.01s 応答時間（合計） 330.15s 応答時間（最大） 80.80s 回答なし: 3 無効なツール呼び出し: 1 不正解: 1 反AIトリック : 10.0 コーディング : 10.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#279#279	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
#243#243	Seed-2.0-Codenone	5.3	Bytedance Seed	$0.151	14.67s
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 8.6 試行ごとの合格率 36.4% 不安定なテスト 5 入力トークン 159,749 出力トークン 23,433 推論トークン 0 応答時間（平均） 14.67s 応答時間（合計） 322.71s 応答時間（最大） 132.84s 不正解: 11 余分な書式: 2 指示に従っていない: 2 回答なし: 1 反AIトリック : 3.0 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 : 3.5 汎用知能 : 5.0 指示追従 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#106#106	Grok 4.6low	7.4	X AI	$0.449	14.55s
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 109,960 出力トークン 5,124 推論トークン 32,924 応答時間（平均） 14.55s 応答時間（合計） 320.17s 応答時間（最大） 26.46s 不正解: 7 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
#17#17	Gemini 3.8 Flashmedium	9.1	Google	$0.653	14.50s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 92.4% 不安定なテスト 2 入力トークン 95,793 出力トークン 7,066 推論トークン 147,842 応答時間（平均） 14.50s 応答時間（合計） 318.92s 応答時間（最大） 108.60s 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 : 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
#297#297	Ling 3.0 Tinynone	4.0	Inclusionai	$0.000	14.02s
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 9.8 試行ごとの合格率 9.1% 不安定なテスト 0 入力トークン 184,579 出力トークン 110,071 推論トークン 0 応答時間（平均） 14.02s 応答時間（合計） 294.46s 応答時間（最大） 240.61s 不正解: 13 指示に従っていない: 4 API エラー: 1 余分な書式: 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 : 4.2 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.4 指示追従 : 3.1 パズル解決 : 3.0 ツール呼び出し : 3.0 雑学 : 3.0
#174#174	Ling-3.0-flashhigh	6.4	Inclusionai	$0.021 ↕	13.70s
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 9.8 試行ごとの合格率 63.6% 不安定なテスト 4 入力トークン 132,044 出力トークン 92,135 推論トークン 207,321 応答時間（平均） 13.70s 応答時間（合計） 287.75s 応答時間（最大） 75.27s 不正解: 7 無効なツール呼び出し: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 6.7 複合 : 2.9 データ解析と抽出 : 7.3 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#146#146	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

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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium